面向无监督图异常检测的图神经网络防御
机器学习
2025-05-27 v2 人工智能
摘要
无监督图异常检测旨在识别图中偏离多数模式的稀有模式，这对于 various 实际应用至关重要。最近的研究利用图神经网络 (GNN) 通过聚合邻域信息来学习有效的节点表征，这是基于图中节点倾向于与其邻域表现出一致行为的假设。然而，这种一致性可能以多种方式被图异常所破坏。大多数现有方法直接使用 GNN 来学习表征，忽略了图异常对 GNN 的负面影响，导致节点表征和异常检测性能次优。虽然少数近期方法在半监督标签指导下重新设计 GNN 以适用于图异常检测，但如何在无监督场景中解决图异常对 GNN 的不利影响并学习有效的表征以进行异常检测仍未得到充分探索。为此，本文提出一种简单而有效的框架用于图神经网络无监督图异常检测 (G3AD)。具体而言，G3AD 首先引入两个辅助网络并施加相关性约束来防御 GNN 免受不一致信息的编码影响。此外，G3AD 引入自适应缓存模块来防御 GNN 直接重建包含异常的观测图数据。广泛的实验表明，G3AD 在两个基准数据集上均优于二十个最先进的方法，能够灵活地适应不同的 GNN 主干网络。
引用
@article{arxiv.2404.16366,
title = {Guarding Graph Neural Networks for Unsupervised Graph Anomaly Detection},
author = {Yuanchen Bei and Sheng Zhou and Jinke Shi and Yao Ma and Haishuai Wang and Jiajun Bu},
journal= {arXiv preprint arXiv:2404.16366},
year = {2025}
}
备注
Accepted by IEEE TNNLS (14 pages, 10 figures)