基于去噪扩散的反事实数据增强图异常检测
机器学习
2024-07-03 v1 社会与信息网络
摘要
图神经网络（GNN）的一个关键方面是通过聚合节点邻域信息来增强节点表示。然而，在检测异常时，异常节点的表示容易被正常邻居的平均值所主导，导致所学的异常表示不够具辨识度。为解决此问题，本文提出了 CAGAD——一种用于图异常检测的无监督反事实数据增强方法——其中引入图指针神经网络作为异质性节点检测器，以识别其邻域为正常节点主导的潜在异常节点。对于每个识别出的潜在异常节点，设计图特定的扩散模型，将其（可能为正常的）部分邻居翻译为异常节点。最后，将这些翻译后的邻居参与 GNN 的邻域聚合，以产生异常节点的反事实表示。通过聚合翻译后的异常邻居，反事实表示更具辨识度，从而进一步提升检测性能。在四个数据集上的实验结果表明，CAGAD 在 F1、AUC-ROC 和 AUC-PR 上分别平均提升了 2.35%、2.53% 和 2.79%。
引用
@article{arxiv.2407.02143,
title = {Counterfactual Data Augmentation with Denoising Diffusion for Graph Anomaly Detection},
author = {Chunjing Xiao and Shikang Pang and Xovee Xu and Xuan Li and Goce Trajcevski and Fan Zhou},
journal= {arXiv preprint arXiv:2407.02143},
year = {2024}
}
备注
Accepted by IEEE Transactions on Computational Social Systems(TCSS). DOI: https://doi.org/10.1109/TCSS.2024.3403503