DDGAD：基于扩散的图异常检测中的轨迹动力学
机器学习
2026-05-27 v1 人工智能
摘要
图异常检测（GAD）旨在识别其行为或属性显著偏离图结构数据整体模式的节点或子结构，在金融风险控制、社交网络分析和网络安全中具有关键应用。然而，现有的基于GCN的方法存在污染传播这一根本性问题，即异常节点通过消息传递污染其邻居的表征，导致检测性能下降。在本文中，我们提出了DDGAD，一种新颖的基于扩散的图异常检测框架，它利用轨迹动力学来区分正常节点和异常节点。我们的关键洞察是，在扩散正则化和可靠性感知的邻域共识的耦合作用下，正常节点表现出一致且稳定的表征轨迹，而异常节点由于全局流形先验与局部污染的消息传递之间的方向不一致，表现出不稳定且冲突的动力学。为了减轻污染传播，我们引入了一种分布式的可靠性感知共识细化机制，并定义了三种互补的异常信号：邻居不一致性、可靠性权重和动力学冲突能量。我们进一步对耦合动力学下的正常节点稳定性进行了初步的理论分析。这些信号从局部不一致性、共识可靠性和动力学不稳定性等角度共同刻画了异常行为。在五个真实世界数据集上的大量实验证明了所提出框架的有效性。
引用
@article{arxiv.2605.26446,
title = {DDGAD: Trajectory Dynamics for Diffusion-Based Graph Anomaly Detection},
author = {Yuxin Yang and Limei Hu and Feng Chen},
journal= {arXiv preprint arXiv:2605.26446},
year = {2026}
}