图预训练模型是强大的异常检测器
机器学习
2024-10-25 v1
摘要
图异常检测（GAD）是一个具有挑战性和实用性的研究课题，图神经网络（GNN）最近在此方面显示出有希望的结果。现有GNN在GAD中的有效性主要归因于以端到端方式同时学习节点表示和分类器。同时，图预训练（如DGI和GraphMAE）这种两阶段学习范式在利用无标签图数据增强下游任务方面显示出潜力，但其对GAD的影响仍未得到充分探索。在这项工作中，我们表明图预训练模型是强大的图异常检测器。具体来说，我们证明了当面临有限监督时，预训练具有高度竞争力，显著优于最先进的端到端训练模型。为了理解这一现象，我们进一步揭示预训练增强了对超出已知异常2跳邻域的、遥远的、代表性不足的、无标签异常的检测，揭示了其相对于端到端模型的优越性能。此外，我们将研究扩展到预训练在图级异常检测中的潜力。我们希望这项工作能激发对预训练在GAD中作用的重新评估，并为未来的研究提供有价值的见解。
引用
@article{arxiv.2410.18487,
title = {Graph Pre-Training Models Are Strong Anomaly Detectors},
author = {Jiashun Cheng and Zinan Zheng and Yang Liu and Jianheng Tang and Hongwei Wang and Yu Rong and Jia Li and Fugee Tsung},
journal= {arXiv preprint arXiv:2410.18487},
year = {2024}
}