通过反事实数据增强和特征学习用于不平衡图级别异常检测
机器学习
2024-07-17 v1 人工智能
摘要
图级别异常检测（GLAD）已经获得了重要重要性，并成为众多下游工作吸引的热门研究领域。该领域的核心焦点是捕捉和突出显示给定图数据集中的异常信息。在大多数现有研究中，异常往往是极少数的实例。这种明显的不平衡会误导当前的GLAD方法专注于学习正常图的模式，从而进一步影响异常检测性能。此外，现有方法主要利用节点的固有特征来识别异常图模式，这根据我们的实验被证明是次优的。在本工作中，我们提出了一种通过反事实数据增强和特征学习的不平衡GLAD方法。具体而言，我们首先基于反事实学习构建异常样本，以扩充和平衡数据集。此外，我们构建了一个基于图神经网络（GNN）的模块，使我们能够利用度属性来补充节点的固有属性特征。然后，我们设计了一个自适应权重学习模块，以有效地整合针对不同数据集优化的特征，以避免对所有特征等同对待。此外，进行了大量基准实验， substantiate 了该方法的鲁棒性和有效性。除了，我们将模型应用于脑疾病数据集，这可以证明该工作的泛化能力。我们的工作源代码已在线上提供。
引用
@article{arxiv.2407.11082,
title = {Imbalanced Graph-Level Anomaly Detection via Counterfactual Augmentation and Feature Learning},
author = {Zitong Wang and Xuexiong Luo and Enfeng Song and Qiuqing Bai and Fu Lin},
journal= {arXiv preprint arXiv:2407.11082},
year = {2024}
}
备注
12 pages, 4 figures, SSDBM2024