DiffGAD：基于扩散模型的无监督图异常检测器
机器学习
2025-02-26 v2 人工智能
社会与信息网络
摘要
图异常检测（GAD）对于识别网络中的异常实体至关重要，已在多个领域引起广泛关注。传统的无监督方法通常通过重建编码未标记数据潜在表示来进行检测，常未能捕获关键判别性内容，导致检测效果不佳。为此，我们提出了基于扩散的图异常检测器（DiffGAD）。DiffGAD的核心是一种新颖的潜在空间学习范式，精心设计以引导模型捕获判别性内容。这种创新方法利用扩散采样将判别性内容注入潜在空间，并引入内容保留机制，在不同尺度上保留有价值的信息，显著提升了其在有限时间和空间复杂度下识别异常的能力。我们在六个真实大规模数据集上进行了全面评估，结果显示DiffGAD在多种指标下表现卓越。
引用
@article{arxiv.2410.06549,
title = {DiffGAD: A Diffusion-based Unsupervised Graph Anomaly Detector},
author = {Jinghan Li and Yuan Gao and Jinda Lu and Junfeng Fang and Congcong Wen and Hui Lin and Xiang Wang},
journal= {arXiv preprint arXiv:2410.06549},
year = {2025}
}