生成式半监督图异常检测
机器学习
2024-12-20 v7
摘要
本文研究了一种实用的半监督图异常检测（GAD）场景，其中图中部分节点已知为正常节点，这与广泛探索的全无标签图的无监督设置形成对比。我们揭示，即使仅有一小部分正常节点可用，也能在将现有无监督 GAD 方法适配至半监督设置时提升其检测性能。然而，这些方法对正常节点的利用是有限的。在本文中，我们提出了一种针对半监督场景的新型生成式 GAD 方法（即 GGAD），以更好地利用正常节点。其核心思想是生成被称为“离群节点”的伪异常节点，从而在训练判别式单类分类器时提供有效的负样本节点。此处的主要挑战在于缺乏关于真实异常节点的真实信息。为应对这一挑战，GGAD 被设计为利用关于异常节点的两个重要先验——非对称局部亲和力和自我中心邻近性——来生成可靠的离群节点，使其在图结构和特征表示上均同化异常节点。我们在六个真实世界的 GAD 数据集上进行了综合实验，建立了半监督 GAD 的基准，并表明 GGAD 在不同数量的训练正常节点下，均显著优于最先进的无监督和半监督 GAD 方法。代码将在 https://github.com/mala-lab/GGAD 公开。
引用
@article{arxiv.2402.11887,
title = {Generative Semi-supervised Graph Anomaly Detection},
author = {Hezhe Qiao and Qingsong Wen and Xiaoli Li and Ee-Peng Lim and Guansong Pang},
journal= {arXiv preprint arXiv:2402.11887},
year = {2024}
}
备注
Accepted by NeurIPS 2024