面向动态图的可判别、可泛化异常检测器学习——基于有限监督

动态图异常检测（DGAD）是许多实际应用中的关键任务，但由于标记异常稀缺，仍面临挑战。现有方法要么是无监督的，要么是半监督的：无监督方法避免标记异常的需求，但常产生模糊的边界；半监督方法则可能对有限的标记异常过拟合，泛化能力差。为此，我们考虑 DGAD 中一个较少探索的问题：从正常/无标签数据中学习判别边界，在此基础上仅在标记异常可用时利用其进行辅助，同时不牺牲对未见异常的泛化。为此，我们提出一种有效、可泛化且模型无关的框架，包含三个主要组件：（i）残差表示编码，捕捉当前相互作用与其历史背景之间的偏差，提供异常相关信号；（ii）限制损失，约束正常表示位于由两个共心球面界定的区间内，确保尺度一致性同时保持异常可分离性；（iii）双边界优化策略，使用由规范化流模型学习的正常对数似然分布来学习判别性和鲁棒的边界。大量实验表明，我们的框架在多样化的评估场景下均显著优于现有方法。