Mul-GAD：一种通过聚合多视图信息的半监督图异常检测框架
计算机视觉与模式识别
2022-12-13 v1 人工智能
摘要
异常检测被定义为发现不符合预期行为的模式。此前，异常检测多使用传统浅层学习技术，改进甚微。随着图神经网络（GNN）的出现，图异常检测得到极大发展。然而，近期研究表明，基于GNN的方法面临挑战，即没有一种图异常检测算法能在大多数数据集上实现泛化。为弥补这一差距，我们提出一种用于图异常检测的多视图融合方法（Mul-GAD）。视图级融合捕捉不同视图间的重要程度，而特征级融合充分利用互补信息。我们从理论和实验上详述了融合策略的有效性。为得出更全面的结论，我们进一步研究了目标函数与融合视图数量对检测性能的影响。利用这些发现，我们的Mul-GAD配备了融合策略与性能良好的目标函数。与其他最先进的检测方法相比，通过在Pubmed、Amazon Computer、Amazon Photo、Weibo和Books上进行的一系列实验，我们在大多数场景下实现了更好的检测性能与泛化能力。我们的代码可在https://github.com/liuyishoua/Mul-Graph-Fusion获取。
引用
@article{arxiv.2212.05478,
title = {Mul-GAD: a semi-supervised graph anomaly detection framework via aggregating multi-view information},
author = {Zhiyuan Liu and Chunjie Cao and Jingzhang Sun},
journal= {arXiv preprint arXiv:2212.05478},
year = {2022}
}
备注
Graph anomaly detection on attribute network