生成优于修改：应对图异常检测中高类同配方差
机器学习
2024-03-18 v1
摘要
基于图的异常检测目前是图神经网络领域的一个重要研究课题。我们发现在图异常检测中，不同类别之间的同配性分布差异显著大于同配图和异配图中的差异。我们首次引入了一个称为类同配方差的新指标，以定量描述这一现象。为了减轻其影响，我们提出了一种名为同配边生成图神经网络的新型 GNN 模型。以往的工作通常侧重于对原始关系进行剪枝、选择或连接，我们将这些方法称为修改。与这些工作不同，我们的方法强调生成具有低类同配方差的新关系，并将原始关系作为辅助。HedGe 使用自注意力机制从零开始采样同配邻接矩阵，并利用在特征空间中相关但在原始图中未直接连接的节点。此外，我们修改了损失函数以惩罚模型生成不必要的异配边。大量对比实验表明，HedGe 在多个基准数据集上取得了最佳性能，包括异常检测和无边节点分类。所提出的模型还提高了在其他图分类任务中类同配方差增加的新型异配攻击下的鲁棒性。
引用
@article{arxiv.2403.10339,
title = {Generation is better than Modification: Combating High Class Homophily Variance in Graph Anomaly Detection},
author = {Rui Zhang and Dawei Cheng and Xin Liu and Jie Yang and Yi Ouyang and Xian Wu and Yefeng Zheng},
journal= {arXiv preprint arXiv:2403.10339},
year = {2024}
}