CRC-SGAD：面向监督图异常检测的共形风险控制
机器学习
2025-04-04 v1
摘要
图异常检测 (GAD) 在安全敏感领域至关重要，但面临可靠性挑战：置信度估计失准（对正常节点缺乏信心，对异常节点过度信心）、在结构扰动下派生置信度得分的对抗脆弱性，以及针对稀疏异常模式常规校准方法的有效性有限。因此，我们提出 CRC-SGAD，一个将统计风险控制集成到 GAD 中的框架，通过两个创新实现：(1) 双阈值共形风险控制机制，通过提供预测集合为 FNR 和 FPR 提供理论保证；(2) 子图感知谱图神经校准器 (SSGNC)，通过自适应谱滤波优化节点表示，同时通过混合损失优化缩小预测集合的大小。在四个数据集和五个 GAD 模型上的实验表明，CRC-SGAD 在 FNR 和 FPR 控制以及预测集合大小方面实现了统计显著的改进。CRC-SGAD 确立了图结构安全应用中进行统计严谨异常检测的范式。
引用
@article{arxiv.2504.02248,
title = {CRC-SGAD: Conformal Risk Control for Supervised Graph Anomaly Detection},
author = {Songran Bai and Xiaolong Zheng and Daniel Dajun Zeng},
journal= {arXiv preprint arXiv:2504.02248},
year = {2025}
}