基于潜在扩散模型的监督图异常检测数据增强
机器学习
2024-11-26 v3 社会与信息网络
摘要
监督图异常检测算法面临的一个根本挑战是普遍存在的类别不平衡问题，即异常实例相对于正常实例的稀缺往往导致性能不佳。最近，生成模型，尤其是扩散模型，在合成高保真图像方面展示了其有效性。尽管它们具有非凡的生成质量，但其在监督图异常检测数据增强方面的潜力仍未得到充分探索。为了弥补这一差距，我们引入了 GODM，这是一种通过潜在扩散模型缓解监督图异常检测中类别不平衡的新型数据增强方法。在多个数据集上进行的大量实验证实了 GODM 的有效性和效率。案例研究进一步展示了我们合成数据的生成质量。为了促进可访问性和可复现性，我们将 GODM 封装为一个即插即用包，并在 PyPI 上发布：https://pypi.org/project/godm/。
引用
@article{arxiv.2312.17679,
title = {Data Augmentation for Supervised Graph Outlier Detection via Latent Diffusion Models},
author = {Kay Liu and Hengrui Zhang and Ziqing Hu and Fangxin Wang and Philip S. Yu},
journal= {arXiv preprint arXiv:2312.17679},
year = {2024}
}
备注
LoG 2024. Source code available at https://github.com/kayzliu/godm