基于双师生模型的可判别图级异常检测
机器学习
2023-08-07 v1 人工智能
摘要
与当前的节点级异常检测任务不同，图级异常检测的目标是在图集合中找出与其余图显著不同的异常图。由于图级异常检测工作研究稀缺，对图级异常的详细描述尚不充分。此外，现有工作聚焦于捕获异常图信息以学习更好的图表示，却忽视了用于评估异常图的有效异常分数函数的重要性。因此，本工作中我们首先定义图集合中包含节点与图属性异常的异常图信息，并分别采用节点级与图级信息差异来识别它们。接着，我们引入一种基于双师生模型的可判别图级异常检测框架，其中带启发式损失的教师模型被训练以使图表示更具发散性。随后，分别由正常图与异常图训练的两个竞争学生模型，从节点级与图级表示视角拟合教师模型的图表示。最后，我们结合两学生模型间的表示误差来可判别地区分异常图。大量实验分析表明，我们的方法在真实世界图数据集的图级异常检测任务上是有效的。
引用
@article{arxiv.2308.01947,
title = {Discriminative Graph-level Anomaly Detection via Dual-students-teacher Model},
author = {Fu Lin and Xuexiong Luo and Jia Wu and Jian Yang and Shan Xue and Zitong Wang and Haonan Gong},
journal= {arXiv preprint arXiv:2308.01947},
year = {2023}
}