从无监督到少样本图异常检测：一种多尺度对比学习方法
机器学习
2024-08-02 v2
摘要
从图数据中进行异常检测是社交网络、金融和电子商务等许多应用中的重要数据挖掘任务。现有的图异常检测工作通常仅考虑单一尺度（视图）的信息，从而不可避免地限制了其在复杂图数据中捕捉异常模式的能力。为解决此局限，我们提出一种新框架，即基于多尺度对比学习的图异常检测框架（简称ANEMONE）。通过使用图神经网络作为主干来编码来自多个图尺度（视图）的信息，我们学习了图中节点的更好表示。在同时最大化块级与上下文级实例间一致性的过程中，我们根据多视角的一致程度，用统计异常估计器估计每个节点的异常分数。为进一步利用现实应用中可能收集的少量真值异常（少样本异常），我们进一步提出扩展算法ANEMONE-FS，将有价值的信息整合进我们的方法。我们在纯无监督设定与少样本异常检测设定下进行了大量实验，证明了所提方法ANEMONE及其变体ANEMONE-FS在六个基准数据集上持续优于最先进（state-of-the-art）算法。
引用
@article{arxiv.2202.05525,
title = {From Unsupervised to Few-shot Graph Anomaly Detection: A Multi-scale Contrastive Learning Approach},
author = {Yu Zheng and Ming Jin and Yixin Liu and Lianhua Chi and Khoa T. Phan and Yi-Ping Phoebe Chen},
journal= {arXiv preprint arXiv:2202.05525},
year = {2024}
}
备注
13 pages, 5 figures, 5 tables