如何利用野外图数据帮助图结构异常检测？
机器学习
2025-06-05 v1
摘要
近年来，图结构异常检测在社交、金融和通信网络等多个领域得到了广泛应用。然而，图结构数据中的异常具有独特挑战，包括标签稀缺、异常定义模糊以及异常类型多样，使得监督或半监督方法不可靠。研究者常采用无监督方法来解决这些挑战，假设异常与正常数据分布显著偏离。然而，当可用数据不足时，准确且全面地捕捉正常分布变得困难。为克服这一限制，我们提出利用外部图数据（即野外图数据）来帮助异常检测任务。这自然提出了一个问题：如何使用外部数据来帮助图结构异常检测任务？为回答此问题，我们提出了名为 Wild-GAD 的框架。它建立在统一数据库 UniWildGraph 之上，该数据库包含大规模且多样化的图数据，涵盖广泛的领域、丰富的数据量，并提供统一的特征空间。进一步，我们基于代表性和多样性develop selection criteria 来识别最适合异常检测任务的外部数据。对六个真实数据集进行大量实验表明，Wild-GAD 的有效性。与基线方法相比，我们的框架在最佳竞争方法上实现了平均 18% 的 AUCROC 和 32% 的 AUCPR 改进。
引用
@article{arxiv.2506.04190,
title = {How to Use Graph Data in the Wild to Help Graph Anomaly Detection?},
author = {Yuxuan Cao and Jiarong Xu and Chen Zhao and Jiaan Wang and Carl Yang and Chunping Wang and Yang Yang},
journal= {arXiv preprint arXiv:2506.04190},
year = {2025}
}
备注
Accepted by SIGKDD2025