基于异常感知对比对齐的跨域图异常检测
机器学习
2022-12-05 v1 社会与信息网络
摘要
跨域图异常检测(CD-GAD)描述的是利用带有标记异常和正常节点的辅助相关源图,在未标记目标图中检测异常节点的问题。尽管它为解决异常检测中臭名昭著的高误报问题提供了一种有前景的方法,但这方面的研究很少。文献中存在大量域适应方法,但由于异常分布未知以及图数据中嵌入的复杂节点关系,很难将它们适配于 GAD。为此,我们引入了一种新颖的域适应方法,即异常感知对比对齐(ACT),用于 GAD。ACT 被设计为联合优化:(i) 目标图中节点的无监督对比学习以得到正常表示,以及 (ii) 异常感知单类对齐,其将这些对比节点表示与源图中标记正常节点的表示对齐,同时强制正常节点表示与源图中标记异常节点的表示显著偏离。通过这种方式,ACT 在不指定异常分布的情况下,将源图中的异常知识有效转移到目标图上的 GAD 以学习正常类的复杂节点关系。在八个 CD-GAD 设置上的大量实验表明,我们的方法 ACT 相比 10 种最先进的 GAD 方法实现了显著改进的检测性能。代码可在 https://github.com/QZ-WANG/ACT 获取。
引用
@article{arxiv.2212.01096,
title = {Cross-Domain Graph Anomaly Detection via Anomaly-aware Contrastive Alignment},
author = {Qizhou Wang and Guansong Pang and Mahsa Salehi and Wray Buntine and Christopher Leckie},
journal= {arXiv preprint arXiv:2212.01096},
year = {2022}
}
备注
AAAI2023, to appear