基于元路径与标签的图增强用于图异常检测
机器学习
2024-04-15 v2 人工智能
摘要
近年来，图异常检测从网络安全到金融等多个领域引起了相当多的关注。由于标注成本很高，现有方法主要以无监督方式开发。然而，由于缺乏关于待查异常的先验知识，检测到的异常可能是无趣的实例。该问题可通过使用少量标注异常作为先验知识来解决。在真实场景中，我们容易获得少量标注异常。高效利用标注异常作为先验知识对图异常检测至关重要；然而，由于可用的异常数量天然有限，这一过程仍具挑战性。为解决该问题，我们提出了一种利用元路径嵌入异常节点与正常节点之间实际连接模式的新方法。为了进一步高效利用基于元路径的异常子图的上下文信息，我们提出了一个新框架——基于元路径的图异常检测（MGAD），在双编码器和解码器中均引入 GCN 层，以在异常与正常节点间高效传播上下文信息。具体而言，MGAD 采用基于 GNN 的图自编码器作为骨干网络。此外，双编码器从全局和局部捕获标注与未标注节点间的复杂交互及基于元路径的上下文信息。通过在七个真实网络上的全面实验，本文证明了 MGAD 方法相对于当前最优技术的优越性。代码见 https://github.com/missinghwan/MGAD。
引用
@article{arxiv.2308.10918,
title = {Label-based Graph Augmentation with Metapath for Graph Anomaly Detection},
author = {Hwan Kim and Junghoon Kim and Byung Suk Lee and Sungsu Lim},
journal= {arXiv preprint arXiv:2308.10918},
year = {2024}
}