基于图神经网络的图异常检测:现状与挑战
机器学习
2022-10-05 v2 人工智能
社会与信息网络
摘要
图被广泛用于建模复杂系统,而检测图中的异常是复杂系统分析中的一项重要任务。图异常是指图中不符合图的属性和/或结构所预期的正常模式的模式。近年来,图神经网络(GNNs)得到了广泛研究,并借助消息传递有效学习图表示的高表达能力,在节点分类、链接预测和图分类等困难机器学习任务上取得成功。为解决图异常检测问题,GNN 基于的方法利用图属性(或特征)和/或结构的信息来学习对异常进行适当打分。在本综述中,我们回顾了使用 GNN 模型检测图异常的最新进展。具体而言,我们根据图类型(即静态与动态)、异常类型(即节点、边、子图和整图)以及网络架构(如 graph autoencoder、graph convolutional network)对基于 GNN 的方法进行总结。据我们所知,本综述是基于 GNN 的图异常检测方法的首次全面回顾。
引用
@article{arxiv.2209.14930,
title = {Graph Anomaly Detection with Graph Neural Networks: Current Status and Challenges},
author = {Hwan Kim and Byung Suk Lee and Won-Yong Shin and Sungsu Lim},
journal= {arXiv preprint arXiv:2209.14930},
year = {2022}
}
备注
9 pages, 2 figures, 1 tables; to appear in the IEEE Access (Please cite our journal version.)