利用合成异常学习特征编码器用于弱监督图异常检测
机器学习
2026-05-13 v1
摘要
弱监督图异常检测旨在仅给定少量标注异常和大量未标记样本的情况下，揭示行为与正常样本显著不同的异常图实例（例如节点）。一个主要挑战是学习一个有意义的潜在特征表示，该表示能减少正常数据内部的类内方差，同时对异常保持高度敏感。尽管近期工作已将自监督特征学习应用于图异常检测，但其策略并非专门为其独特需求而定制，这促使我们探索一种更具领域针对性的方法。在本文中，我们介绍了一种弱监督图异常检测方法，该方法利用了一种专为图异常定制的特征学习策略。我们的方法建立在多任务学习方案之上，通过合成异常来提取鲁棒的特征表示。我们通过多种方式扰动正常图来生成合成异常，并为每种异常类型分配一个专用的检测头，确保学习到的特征对偏离正常模式的潜在偏差敏感。尽管合成异常可能无法完美复现真实世界的模式，但它们为有效的特征学习提供了宝贵的辅助数据，就像从ImageNet分类中学到的特征迁移到下游视觉任务一样。此外，我们采用了一种两阶段学习策略：初始预热阶段仅使用合成样本，随后是整合两个任务的完整训练阶段，以平衡合成数据和真实数据的影响。在公开数据集上的大量实验证明了我们的方法优于其竞争对手。代码可在https://github.com/yj-zhou/SAWGAD获取。
引用
@article{arxiv.2605.11749,
title = {Learning Feature Encoder with Synthetic Anomalies for Weakly Supervised Graph Anomaly Detection},
author = {Yingjie Zhou and Yuqin Xie and Fanxing Liu and Dongjin Song and Ce Zhu and Lingqiao Liu},
journal= {arXiv preprint arXiv:2605.11749},
year = {2026}
}
备注
14 pages, 7 figures, published by IEEE Transactions on Knowledge and Data Engineering,2026