FracAug：基于分数增强的图级异常检测在有限监督下的提升
机器学习
2025-09-26 v1 人工智能
摘要
图级异常检测（GAD）是药物发现等多个领域的关键任务，但高标注成本和数据不平衡阻碍了图神经网络（GNN）的性能。为此，我们提出 FracAug，这是一个创新的插件式增强框架，通过生成语义一致的图变体和互相验证的伪标签化来提升 GNN。不同于以往的启发式方法，FracAug 在给定图中学习语义，并引导生成分数变体，由一种新颖的加权距离感知间隙损失捕捉多尺度拓扑，以生成不受数据不平衡影响的多样化、语义保留图。然后，FracAug 利用原始图和增强图的预测进行伪标签化，迭代式地扩充训练集。作为与各种 GNN 兼容的模型无关模块，FracAug 在 14 个 GNN 上测试 12 个真实数据集，展示了卓越的普适性和效果：平均 AUROC、AUPRC 和 F1 分数分别提升最高可达 5.72%、7.23% 和 4.18%。
引用
@article{arxiv.2509.20978,
title = {FracAug: Fractional Augmentation boost Graph-level Anomaly Detection under Limited Supervision},
author = {Xiangyu Dong and Xingyi Zhang and Sibo Wang},
journal= {arXiv preprint arXiv:2509.20978},
year = {2025}
}