基于多表示空间分离的图级异常感知检测
机器学习
2023-07-26 v1 人工智能
摘要
图结构模式近年来被广泛用于建模不同领域的数据。如何在这些图数据上检测异常图信息已成为一个热门研究问题。本研究聚焦于一个特定问题：如何在一个图集合中检测异常图。已有工作观察到异常图主要表现为节点级和图级异常，但这些方法在异常图评估中对上述两种异常形式同等对待，这与不同类型的异常图数据在节点级和图级异常上具有不同程度的事实相悖。此外，与正常图差异细微的异常图容易被现有方法漏检。因此，本文提出了一种基于多表示空间分离的图级异常感知检测框架。为考虑节点级和图级异常的不同重要性，我们设计了一个异常感知模块，在异常图评估过程中学习二者之间的特定权重。此外，我们通过四类相互加权的图表示（包括锚定正常图、锚定异常图、训练正常图和训练异常图）严格分离正常与异常图表示空间。基于测试图表示与正常及异常图表示空间之间的距离误差，我们可以准确判断测试图是否异常。我们的方法已使用十个公开图数据集与基线方法进行了广泛评估，结果证明了其有效性。
引用
@article{arxiv.2307.12994,
title = {Multi-representations Space Separation based Graph-level Anomaly-aware Detection},
author = {Fu Lin and Haonan Gong and Mingkang Li and Zitong Wang and Yue Zhang and Xuexiong Luo},
journal= {arXiv preprint arXiv:2307.12994},
year = {2023}
}
备注
11 pages, 12 figures