基于元学习的少样本图级异常检测
机器学习
2025-10-10 v1 人工智能
摘要
图级异常检测旨在识别图数据集中异常图或子图，作为屬于欺诈检测、评论分类和生化等诸多领域的关键任务。虽然图神经网络 (GNN) 在该领域取得了显著进展，但现有方法高度依赖大量标记数据，而在实际场景中往往难以获取。此外，基于 GNN 的少样本异常检测方法容易受到噪声干扰，导致嵌入质量下降和模型鲁棒性降低。为此，我们提出一种新颖的基于元学习的图级异常检测框架 (MA-GAD)，引入图压缩模块以减小图的规模，减轻噪声干扰，同时保留关键节点信息。我们还利用元学习从相似网络中提取元异常信息，从而学习能在有限样本下快速适应新任务的初始化模型。这一框架显著提升了在目标图上对异常检测的性能，并使用偏置网络来增强异常节点与正常节点之间的区分度。我们的实验基于四个真实的生化数据集，表明 MA-GAD 在少样本条件下优于现有最先进的方法。实验在图异常和子图异常检测任务上均验证了该框架在真实数据集上的有效性。
引用
@article{arxiv.2510.07847,
title = {Meta-Learning Based Few-Shot Graph-Level Anomaly Detection},
author = {Liting Li and Yumeng Wang and Yueheng Sun},
journal= {arXiv preprint arXiv:2510.07847},
year = {2025}
}
备注
Accepted by ARRML2025