FANFOLD：基于图正则化流驱动的非对称网络用于无监督图级异常检测
机器学习
2024-07-02 v1 人工智能
摘要
无监督图级异常检测 (UGAD) 因其广泛的应用而日益受到关注。近期研究中，知识蒸馊-based 方法在无监督异常检测中被广泛使用，以提高模型的效率和泛化能力。然而，源网络 (教师网络) 和目标网络 (学生网络) 之间的内在对称性通常导致两者输出一致，这使得区分异常图和正常图变得困难。此外，现有方法主要依赖图特征来区分异常，这可能在复杂且多样化的数据中不稳定，无法捕捉区分正常图和异常图的本质。本文提出一种基于图正则化流驱动的非对称网络用于无监督图级异常检测 (FANFOLD)。我们引入正则化流以利用其在学习样本底层分布方面的成功应用和优越质量。具体而言，我们采用知识蒸馊技术并在源网络上应用正则化流，实现非对称网络。在训练阶段，FANFOLD 将正常图的原始分布转换为标准正态分布。在推理阶段，FANFOLD 使用源-目标损失计算异常得分，以判别正常图和异常图。我们在 15 个不同领域的数据集上对 FANFOLD 与 9 个基线方法进行了广泛实验，以验证其优越性。
引用
@article{arxiv.2407.00383,
title = {FANFOLD: Graph Normalizing Flows-driven Asymmetric Network for Unsupervised Graph-Level Anomaly Detection},
author = {Rui Cao and Shijie Xue and Jindong Li and Qi Wang and Yi Chang},
journal= {arXiv preprint arXiv:2407.00383},
year = {2024}
}