NK-GAD：邻居知识增强的无监督图异常检测
机器学习
2026-04-20 v1
摘要
图异常检测旨在识别图结构数据中的不规则模式。大多数基于无监督图神经网络（GNN）的方法依赖于同质性假设，即相连节点具有相似属性。然而，现实世界的图常常表现出属性层面的异质性，即相连节点具有不相似的属性。我们对属性层面异质性图的分析揭示了两种现象，表明当前方法不适用于无监督图异常检测：1) 在不同类型的相连节点对之间，相连节点间的属性相似度分布几乎相同；2) 在谱能量分布的低频和高频分量中，异常会导致有异常边和无异常边的图之间出现一致的变化趋势，而中间部分则表现出更不稳定的变化。基于这些观察，我们提出了 NK-GAD，一个邻居知识增强的无监督图异常检测框架。NK-GAD 集成了一个能同时捕获相似和不相似邻居特征的联合编码器、一个对正常分布进行建模的邻居重构模块、一个细化节点特征的中心聚合模块，以及用于重构属性和结构的双解码器。在七个数据集上的实验表明，NK-GAD 平均实现了 3.29% 的 AUC 提升。
引用
@article{arxiv.2604.15668,
title = {NK-GAD: Neighbor Knowledge-Enhanced Unsupervised Graph Anomaly Detection},
author = {Zehao Wang and Lanjun Wang},
journal= {arXiv preprint arXiv:2604.15668},
year = {2026}
}