GCTAM：全局与情境截断亲和力组合最大化模型用于无监督图异常检测
微分几何
2026-03-03 v1
摘要
异常事件经常发生在现实信息网络/图中，如恶意用户、恶意评论、被禁用户及虚假新闻等。在图异常检测领域，最新方法使用一种称为截断亲和力最大化（TAM）的新型机制，通过不使用任何标签信息来检测异常节点并取得令人印象深刻的结果。TAM 通过对正常节点的亲和力最大化同时对异常节点的亲和力进行截断来识别异常节点。然而，现有基于 TAM 的方法根据刚性阈值对可疑节点进行截断，忽略了不同节点特异性和高阶亲和力，这不可避免地导致来自正常和异常节点不有效的截断，限制了异常检测的效果。为此，本文提出了一种结合情境和全局亲和力的新型截断模型用于处理异常节点。该工作的核心思想是使用情境截断降低异常节点的亲和力，而全局截断增加正常节点的亲和力。大量真实世界数据集上的广泛实验表明，我们的方法在大多数图异常检测任务中超越了竞争方法。在突出显示方面，与以往最先进的方法相比，所提方法在两个著名真实数据集（Amazon 和 YelpChi）上实现了 +15%~+20% 的提升。值得注意的是，我们的方法在大型数据集（Amazin-all 和 YelpChi-all）上表现优异，取得了最佳结果，而大多数以前的模型无法完成这些任务。
引用
@article{arxiv.2603.01805,
title = {Localized Curvature Domination and Rigidity of Harmonic Maps},
author = {Sergey Stepanov},
journal= {arXiv preprint arXiv:2603.01805},
year = {2026}
}