用于异常检测的图对比学习
机器学习
2022-08-31 v3
摘要
基于图的异常检测已广泛用于检测现实应用中的恶意活动。现有解决该问题的尝试迄今集中于结构特征工程或二分类机制下的学习。本工作中，我们提出利用图对比编码，并给出有监督的 GraphCAD 模型，用于依据异常节点与正常节点相对于全局上下文（如所有节点的平均值）的距离对其进行对比。为处理标签稀缺的场景，我们通过设计图损坏策略以生成合成节点标签，进一步将 GraphCAD 构建为自监督框架。为实现对比目标，我们设计了一个图神经网络编码器，能够在消息传递过程中推断并进一步移除可疑连接，并学习输入图的全局上下文。我们在四个公开数据集上进行了大量实验，表明 1）GraphCAD 显著且一致地优于各类先进基线，2）其未经微调的自监督版本可取得与全监督版本相当的性能。
引用
@article{arxiv.2108.07516,
title = {Graph Contrastive Learning for Anomaly Detection},
author = {Bo Chen and Jing Zhang and Xiaokang Zhang and Yuxiao Dong and Jian Song and Peng Zhang and Kaibo Xu and Evgeny Kharlamov and Jie Tang},
journal= {arXiv preprint arXiv:2108.07516},
year = {2022}
}
备注
Accepted to TKDE 2022