基于高阶结构的属性网络异常检测
机器学习
2024-06-10 v1 机器学习
摘要
异常检测（如电信欺诈检测和医学图像检测）已引起广泛关注。网络中多个实体之间的复杂相互作用广泛存在，这些相互作用可以反映特定的人类行为模式。这些模式可以由高阶网络结构来建模，从而利于属性网络上的异常检测。然而，由于大多数现有图学习方法缺乏有效机制，这些复杂的相互作用模式未能应用于异常检测，限制了异常检测的进展。为此，我们提出一种基于高阶结构的异常检测（GUIDE）方法。我们利用属性自编码器和结构自编码器分别重建节点属性和高阶结构。此外，我们设计了一个图注意力层，通过节点的高阶结构差异来评估邻居的重要性。最后，我们利用节点属性和高阶结构重建误差来寻找异常值。在五个真实数据集（即 ACM、Citation、Cora、DBLP 和 Pubmed）上进行了广泛实验，以验证 GUIDE 的有效性。基于 ROC-AUC、PR-AUC 和 Recall@K 的实验结果表明，GUIDE 在性能上显著优于现有的领先方法。
引用
@article{arxiv.2406.04690,
title = {Higher-order Structure Based Anomaly Detection on Attributed Networks},
author = {Xu Yuan and Na Zhou and Shuo Yu and Huafei Huang and Zhikui Chen and Feng Xia},
journal= {arXiv preprint arXiv:2406.04690},
year = {2024}
}