面向图异常检测的少样本消息增强对比学习
机器学习
2023-11-20 v1
摘要
图异常检测在识别图数据中显著偏离大多数的异常实例方面发挥着关键作用。它在信息安全的多个领域获得了大量关注，包括网络入侵、金融欺诈和恶意评论等。由于标注数据获取困难，现有方法主要以无监督方式开发。因无监督方式缺乏先验知识引导，所识别的异常可能被证实为数据噪声或孤立数据实例。在真实场景中，可捕获有限批量的标注异常，使得研究图异常检测中的少样本问题至关重要。利用这一潜力，我们提出了一种称为 FMGAD (Few-shot Message-Enhanced Contrastive-based Graph Anomaly Detector，少样本消息增强对比图异常检测器) 的新型少样本图异常检测模型。FMGAD 在视图内与视图间利用自监督对比学习策略以捕获内在且可迁移的结构表示。此外，我们提出 Deep-GNN 消息增强重构模块，其充分利用少样本标注信息并实现长距离传播，将监督信号扩散至更深的未标注节点。该模块反过来辅助自监督对比学习的训练。在六个真实世界数据集上的综合实验结果表明，无论人工注入异常还是领域固有异常，FMGAD 均能取得优于其他最先进方法的性能。
引用
@article{arxiv.2311.10370,
title = {Few-shot Message-Enhanced Contrastive Learning for Graph Anomaly Detection},
author = {Fan Xu and Nan Wang and Xuezhi Wen and Meiqi Gao and Chaoqun Guo and Xibin Zhao},
journal= {arXiv preprint arXiv:2311.10370},
year = {2023}
}