GLADformer: 图级异常检测的混合视角
机器学习
2024-07-04 v2
摘要
图级异常检测（GLAD）旨在区分图数据集中的异常图。然而，当前方法受限于其感受野，难以学习图内的全局特征。此外，大多数当代方法基于空间域，缺乏对频谱特性的探索。本文提出了一种多视角混合图级异常检测器，即GLADformer，由两个关键模块组成。具体来说，我们首先设计了一个具有全局频谱增强的图Transformer模块，通过融合全局特征和频谱分布特性，确保参数分布的平衡和鲁棒性。此外，为了揭示局部异常属性，我们定制了一个带通频谱GNN消息传递模块，进一步增强了模型的泛化能力。通过在来自多个领域的十个真实世界数据集上的全面实验，我们验证了GLADformer的有效性和鲁棒性。这表明GLADformer在图级异常检测中优于当前最先进的模型，特别是在有效捕获全局异常表示和频谱特性方面。
引用
@article{arxiv.2406.00734,
title = {GLADformer: A Mixed Perspective for Graph-level Anomaly Detection},
author = {Fan Xu and Nan Wang and Hao Wu and Xuezhi Wen and Dalin Zhang and Siyang Lu and Binyong Li and Wei Gong and Hai Wan and Xibin Zhao},
journal= {arXiv preprint arXiv:2406.00734},
year = {2024}
}