LUNAR：通过图神经网络统一局部离群点检测方法
机器学习
2021-12-13 v1 人工智能
摘要
许多成熟的异常检测方法利用样本到其局部邻域内样本的距离：即所谓的“局部离群方法”，如 LOF 和 DBSCAN。它们因原理简单且在许多实际应用常见的非结构化基于特征的数据上性能强劲而广受欢迎。然而，由于缺乏可训练参数，它们无法针对特定数据集学习适应。本文中，我们首先通过证明局部离群方法是图神经网络中更通用消息传递框架的特例，从而统一了局部离群方法。这使我们能够以神经网络的形式将可学习性引入局部离群方法，以获得更大灵活性和表达能力：具体地，我们提出 LUNAR，一种新颖的基于图神经网络的异常检测方法。LUNAR 以可训练方式学习利用每个节点最近邻的信息来发现异常。我们展示了我们的方法显著优于现有局部离群方法以及最先进的深度基线。我们还展示了我们方法的性能对局部邻域大小的不同设置具有更强的鲁棒性。
引用
@article{arxiv.2112.05355,
title = {LUNAR: Unifying Local Outlier Detection Methods via Graph Neural Networks},
author = {Adam Goodge and Bryan Hooi and See Kiong Ng and Wee Siong Ng},
journal= {arXiv preprint arXiv:2112.05355},
year = {2021}
}
备注
AAAI2022