通过数据增强提升图异常检测模型的泛化性
机器学习
2023-07-25 v2 人工智能
摘要
图异常检测（GAD）是一项关键任务，因为即便少量异常也会对良性用户构成巨大威胁。近期半监督 GAD 方法能有效利用可用标签作为先验知识，已取得优于无监督方法的性能。实践中，人们通常需在新（子）图上识别异常以保障业务，但可能缺乏标签训练有效检测模型。一个自然想法是直接采用训练好的 GAD 模型到新（子）图测试。然而，我们发现现有半监督 GAD 方法存在泛化性差的问题，即训练良好的模型在同一图未见过区域（即训练中不可达）表现不佳。这可能引发大麻烦。本文基于该现象提出一个通用且新颖的广义图异常检测研究问题，旨在有效识别训练域图与未见过测试图上的异常以消除潜在危险。然而，因仅有有限标签且训练与测试数据正常背景可能不同，此为挑战性任务。相应地，我们提出名为 \textit{AugAN}（\uline{Aug}mentation for \uline{A}nomaly and \uline{N}ormal distributions，异常与正常分布增强）的数据增强方法，以丰富训练数据并提升 GAD 模型泛化性。实验验证了本方法在改善模型泛化性上的有效性。
引用
@article{arxiv.2209.10168,
title = {Improving Generalizability of Graph Anomaly Detection Models via Data Augmentation},
author = {Shuang Zhou and Xiao Huang and Ninghao Liu and Fu-Lai Chung and Long-Kai Huang},
journal= {arXiv preprint arXiv:2209.10168},
year = {2023}
}
备注
The updated version is accepted by TKDE 2023. Please refer to arXiv:2306.10534v1