用于图异常检测的多任务主动学习
机器学习
2024-01-25 v1 社会与信息网络
摘要
在网络时代，图机器学习已被广泛应用于无处不在的图结构数据。作为加强网络安全和增强基于图的应用鲁棒性的关键组成部分，图异常检测的重要性不断增加。尽管图神经网络（GNNs）在监督和半监督图异常检测中表现出有效性，但其性能取决于是否有足够的真实标签。从复杂的图结构中识别异常的劳动密集型特性在实际应用中构成了重大挑战。尽管如此，来自其他任务（例如，节点分类）的间接监督信号相对丰富。在本文中，我们提出了一种新颖的多任务主动图异常检测框架，即 MITIGATE。首先，通过耦合节点分类任务，MITIGATE 获得了在未知异常的情况下检测分布外节点的能力。其次，MITIGATE 通过跨任务的置信度差异来量化节点的信息量，允许具有冲突预测的样本为后续训练提供有信息量但不过分困难的信息。最后，为了提高选择远离已知模式的代表性节点的可能性，MITIGATE 采用掩码聚合机制进行距离度量，同时考虑节点的固有特征和当前标记状态。在四个数据集上的实证研究表明，MITIGATE 在异常检测方面显著优于 SOTA 方法。我们的代码公开于：https://github.com/AhaChang/MITIGATE。
引用
@article{arxiv.2401.13210,
title = {Multitask Active Learning for Graph Anomaly Detection},
author = {Wenjing Chang and Kay Liu and Kaize Ding and Philip S. Yu and Jianjun Yu},
journal= {arXiv preprint arXiv:2401.13210},
year = {2024}
}
备注
Preprint. Under review. Code available at https://github.com/AhaChang/MITIGATE