组级图异常检测：一种拓扑模式增强的无监督方法
机器学习
2023-08-03 v1 人工智能
摘要
图异常检测(GAD)已取得成效并广泛应用于欺诈检测、网络安全、金融安全和生物化学等多个领域。然而，现有的图异常检测算法侧重于区分个体实体(节点或图)，忽视了图内存在异常组的可能性。为应对这一局限，本文针对称为组级图异常检测(Gr-GAD)的新任务引入了一种新颖的无监督框架。所提框架首先采用图自编码器(GAE)的一种变体，通过捕捉长程不一致性来定位属于潜在异常组的锚节点。随后，利用组采样抽取候选组，并将其输入所提出的基于拓扑模式的图对比学习(TPGCL)方法。TPGCL 利用组的拓扑模式作为线索，为每个候选组生成嵌入，从而区分异常组。在真实世界与合成数据集上的实验结果表明，所提框架在识别和定位异常组方面表现出优越性能，凸显其作为 Gr-GAD 的一种有前景的解决方案。所提框架的数据集与代码位于 github 仓库 https://anonymous.4open.science/r/Topology-Pattern-Enhanced-Unsupervised-Group-level-Graph-Anomaly-Detection。
引用
@article{arxiv.2308.01063,
title = {Graph Anomaly Detection at Group Level: A Topology Pattern Enhanced Unsupervised Approach},
author = {Xing Ai and Jialong Zhou and Yulin Zhu and Gaolei Li and Tomasz P. Michalak and Xiapu Luo and Kai Zhou},
journal= {arXiv preprint arXiv:2308.01063},
year = {2023}
}