基于全局-局部知识蒸馏的深度图级异常检测
计算机视觉与模式识别
2021-12-21 v1 人工智能
机器学习
摘要
图级异常检测（GAD）指的是检测在结构及/或节点特征上相对于其他图而言异常的图的问题。GAD 中的一个挑战是设计能够检测局部异常与全局异常图的图表示，即分别在细粒度（节点级）或整体（图级）属性上异常的图。为应对这一挑战，我们提出了一种新颖的用于 GAD 的深度异常检测方法，该方法通过对图表示与节点表示进行联合随机蒸馏来学习丰富的全局与局部正常模式信息。该随机蒸馏通过训练一个 GNN 去预测另一个具有随机初始化网络权重的 GNN 来实现。在来自不同领域的 16 个真实图数据集上的大量实验表明，我们的模型显著优于七个 SOTA 模型。代码与数据集可在 https://git.io/GLocalKD 获取。
引用
@article{arxiv.2112.10063,
title = {Deep Graph-level Anomaly Detection by Glocal Knowledge Distillation},
author = {Rongrong Ma and Guansong Pang and Ling Chen and Anton van den Hengel},
journal= {arXiv preprint arXiv:2112.10063},
year = {2021}
}
备注
Accepted to WSDM 2022