基于多球面异构图学习的无监督图异常检测
机器人学
2025-03-18 v1 机器学习
摘要
图异常检测 (GAD) 在电子商务欺诈防治和恶意用户检测等数据挖掘应用中发挥着重要作用。最近的图神经网络 (GNN) 方法通过首先将图数据编码为低维表示，然后在监督或无监督信号的指导下识别异常，显示出巨大的有效性。然而，现有的 GNN 方法隐含地遵循 homophily 原则（即“相似者相聚”现象），无法为连接大量正常节点的异常学习判别性嵌入。此外，这些方法在统一的全局视角下识别异常，但忽略了受局部图上下文条件化的多样化异常模式，导致性能次优。为克服上述局限性，本文提出一种多球面异构图学习 (MHetGL) 框架，用于无监督 GAD。具体而言，我们首次设计一种异构图编码 (HGE) 模块，通过纯净和增强其邻居来学习潜在异常的可区分表示。然后，我们提出一种多球面学习 (MML) 模块，通过综合全局和局部视角的关键模式来增强对特定上下文异常的检测能力。大量在十个真实数据集上的实验表明，MHetGL 在 14 个基线方法上表现优异。我们的代码已公开于 https://github.com/KennyNH/MHetGL
引用
@article{arxiv.2503.12036,
title = {Hierarchical Reinforcement Learning for Safe Mapless Navigation with Congestion Estimation},
author = {Jianqi Gao and Xizheng Pang and Qi Liu and Yanjie Li},
journal= {arXiv preprint arXiv:2503.12036},
year = {2025}
}