基于无监督GNN的图异常检测
机器学习
2022-10-21 v2 社会与信息网络
摘要
基于图的异常检测在现实世界中有众多应用。因此，该主题存在大量文献，且由于深度学习和图神经网络（GNNs）的进展，近期已转向深度检测模型。绝大多数先前工作聚焦于在单一图中检测节点/边/子图异常，关于图数据库中图级异常检测的工作则少得多。本工作旨在填补文献中的两个空白：我们（1）设计了GLAM，一种基于GNN的端到端图级异常检测模型；（2）聚焦于无监督模型选择，由于缺乏任何标签其 notoriously 困难，但对于具有一长串超参数的深度神经网络模型尤为关键。此外，我们提出了一种面向图级嵌入的新池化策略，称为MMD-pooling，其旨在检测此前未被考虑的分布异常。通过在15个真实世界数据集上的大量实验，我们表明（i）GLAM优于节点级和两阶段（即非端到端）基线；（ii）模型选择在候选者性能差异本很大的情况下，无需任何标签即选出比期望（即平均）显著更有效的模型。
引用
@article{arxiv.2210.09535,
title = {Graph Anomaly Detection with Unsupervised GNNs},
author = {Lingxiao Zhao and Saurabh Sawlani and Arvind Srinivasan and Leman Akoglu},
journal= {arXiv preprint arXiv:2210.09535},
year = {2022}
}
备注
ICDM 2022 Short Paper Extension