深图异常检测：综述与新视角

图异常检测（GAD）旨在识别异常图实例（节点、边、子图或整个图），因其在广泛应用场景中的重要性近年来受到越来越多的关注。深度学习方法，特别是图神经网络（GNN），因其在捕获图数据中复杂结构和/或节点属性方面的强大能力，正成为 GAD 的前沿方法之一。鉴于针对 GNN-based GAD 提出的方法日益增多，总结现有 GAD 研究中的方法论与发现结果至关重要，以便确定针对开放 GAD 问题的有效模型设计。为此，本 work 旨在综述深度学习方法用于 GAD 的现有研究。现有 GAD 综述聚焦于任务特定讨论，难以理解现有方法的技术洞见及其在解决 GAD 特定挑战方面的局限性。为填补这一空白，我们首先讨论 GAD 中的问题复杂性及其所致挑战，然后从三个新视角系统性地综述当前的深度 GAD 方法，这些视角包括 GNN 骨干网络设计、用于 GAD 的代理任务设计以及图异常测度。为深化讨论，我们进一步在这三个视角下提出了 13 类细粒度方法类别，以提供对模型设计及其能力的更深入见解。为便于实验与验证，我们还总结了广泛使用的 GAD 数据集并进行经验比较。我们进一步讨论了多个开放问题，以激励更多高质量的未来研究。一个持续更新的存储库可在 https://github.com/mala-lab/Awesome-Deep-Graph-Anomaly-Detection 上访问，其中包含数据集、算法代码链接及经验比较。