CurvGAD：利用曲率提升图异常检测性能
机器学习
2025-06-06 v2 人工智能
摘要
复杂网络的内在曲率是否是揭示常规方法所忽略的图异常关键所在？基于重构的图异常检测（GAD）方法忽略了这类几何异常，仅关注结构和属性层面的异常。为此，我们提出了 CurvGAD——一种混合曲率图自编码器，引入曲率驱动的几何异常概念。CurvGAD 提供两种并行管线以实现异常检测的可解释性增强：（1）曲率等变几何重构，通过混合曲率黎巴耐编码器和高斯核解码器专注于重构边缘曲率；（2）曲率不变结构与属性重构，通过离散 Ollivier-Ricci 流对图曲率进行正则化，从而隔离非几何异常。通过利用曲率，CurvGAD 细化了现有的异常分类，并识别出新的曲率驱动异常。对 10 个真实数据集（包括 homophilic 和 heterophilic 数据集）进行大规模实验表明，CurvGAD 相比当前最先进的 GAD 方法性能提升最高可达 6.5%。代码已公开：https://github.com/karish-grover/curvgad。
引用
@article{arxiv.2502.08605,
title = {CurvGAD: Leveraging Curvature for Enhanced Graph Anomaly Detection},
author = {Karish Grover and Geoffrey J. Gordon and Christos Faloutsos},
journal= {arXiv preprint arXiv:2502.08605},
year = {2025}
}
备注
ICML 2025