解耦异常判别与表示学习：面向属性图异常检测的自监督学习
机器学习
2023-04-12 v1 人工智能
摘要
属性图上的异常检测因其实际应用而成为一个关键课题。现有方法主要关注异常判别，忽视表示学习，因而面临语义混杂与不平衡问题。这与同配假设相冲突，即异常节点通常直接与正常节点相连。此外，异常节点远少于正常节点，表明数据呈长尾分布。为应对这些挑战，本文提出一种独特算法——用于异常检测的解耦自监督学习（DSLAD）。DSLAD是一种将异常判别与表示学习解耦的自监督异常检测方法，采用双线性池化与掩码自编码器作为异常判别器。通过解耦异常判别与表示学习，构建了一个均衡的特征空间，其中节点具有更强的语义判别性，且可解决不平衡问题。在六个基准数据集上的实验表明了DSLAD的有效性。
引用
@article{arxiv.2304.05176,
title = {Decoupling anomaly discrimination and representation learning: self-supervised learning for anomaly detection on attributed graph},
author = {YanMing Hu and Chuan Chen and BoWen Deng and YuJing Lai and Hao Lin and ZiBin Zheng and Jing Bian},
journal= {arXiv preprint arXiv:2304.05176},
year = {2023}
}