结合欧几里得与双曲表示进行节点级异常检测
机器学习
2025-10-15 v1 人工智能
摘要
节点级异常检测 (NAD) 因结构模式和特征分布的多样性而具有挑战性。因此，NAD 是从欺诈检测、网络安全到推荐系统等众多应用场景中具有关键意义的任务。我们引入 Janus，一个框架，联合利用欧几里得与双曲图神经网络，以捕捉节点表示的互补方面。每个节点由两个视图描述，由原始特征和从随机漫步与度数派生的结构特征组成，分别嵌入欧几里得空间和双曲空间。该框架配备多图自编码器，设计算术对比学习目标作为正则化项，对跨欧几里得与双曲空间的嵌入进行对齐，从而凸显那些视图难以协调的节点的特征——这些节点极可能是异常节点。在四个真实数据集上的实验表明，Janus 在浅层与深层基线方法上均表现出色，实证证明了结合多种几何表示为在图中识别细微且复杂的异常提供了稳健且有效的方法。
引用
@article{arxiv.2510.11827,
title = {Combining Euclidean and Hyperbolic Representations for Node-level Anomaly Detection},
author = {Simone Mungari and Ettore Ritacco and Pietro Sabatino},
journal= {arXiv preprint arXiv:2510.11827},
year = {2025}
}