MetaGAD：面向少样本图异常检测的元表示自适应

图异常检测长期以来是金融欺诈、社交垃圾与网络入侵等信息安全相关各领域的重要问题。现有方法大多以无监督方式执行，因为大规模标注异常通常获取成本过高。然而，由于缺乏先验知识，所识别的异常可能最终成为无趣的数据实例。在真实场景中，获取有限的标注异常往往可行，其具有推进图异常检测的巨大潜力。然而，探索图中有限标注异常与大量未标注节点以检测异常的工作相对有限。因此，本文研究少样本图异常检测这一重要问题。尽管如此，由于异常的不规则性及少样本学习中的过拟合问题，充分利用少样本异常节点的信息具有挑战性。为应对上述挑战，我们提出一种基于元学习的新框架 MetaGAD，其学习将自监督学习的知识适配到少样本监督学习以进行图异常检测。具体而言，我们将问题表述为双层优化，确保 MetaGAD 收敛于验证损失最小化，从而增强泛化能力。在六个带有合成异常与“天然”异常（数据集中可用）的真实数据集上的综合实验证明了 MetaGAD 在少样本异常检测中的有效性。代码见 https://github.com/XiongxiaoXu/MetaGAD。