基于 GCN 的属性网络异常检测多任务表示学习
机器学习
2022-07-11 v1 神经与进化计算
摘要
属性网络中的异常检测因其在金融、网络安全与医学等广泛领域的应用而近年来受到相当关注。传统方法无法应用于属性网络设定以解决异常检测问题。此类方法的主要局限在于其固有地忽略了数据特征间的关联信息。随着基于深度学习与图神经网络技术的快速发展，凭借深度技术在提取复杂关系上的潜力，属性网络上的稀有对象识别已取得显著进展。本文提出一种异常检测新架构。设计该架构的主要目标是利用多任务学习以提升检测性能。基于多任务学习的异常检测尚处起步阶段，现有文献中仅少数研究涉足于此。我们融合社区检测与多视图表示学习技术，从属性网络中提取独特且互补的信息，进而融合所捕获信息以获得更优检测结果。该架构中两个主要组件（即社区特定学习与多视图表示学习）间的相互协作，展现出一种达成更有效结果的 promising 方案。
引用
@article{arxiv.2207.03688,
title = {GCN-based Multi-task Representation Learning for Anomaly Detection in Attributed Networks},
author = {Venus Haghighi and Behnaz Soltani and Adnan Mahmood and Quan Z. Sheng and Jian Yang},
journal= {arXiv preprint arXiv:2207.03688},
year = {2022}
}