图谱异常检测中的正规性校准
机器学习
2026-02-03 v2
摘要
图谱异常检测（GAD）因其在广泛应用场景中揭示不规则模式的关键能力而受到日益关注。半监督式GAD假设在训练期间可获得一部分标记的正常节点，因而成为最受探索的应用设置之一。然而，现有半监督式GAD方法所学习的正规性仅限于标记的正常节点，往往倾向于过拟合给定的模式，从而导致高检测误差，如高假阳性。为克服这一限制，我们提出GraphNC框架，利用标记和未标记数据，联合在异常得分空间和节点表示空间中对来自教师模型（预训练的半监督GAD模型）所学的正规性进行校准。GraphNC包含两个主要组成部分：异常得分分布对齐（ScoreDA）和基于扰动的正规性正则化（NormReg）。ScoreDA通过对齐教师模型所产生的得分分布来优化我们模型的异常得分。由于教师模型在大多数正常节点以及部分异常节点上的得分较为准确，得分对齐有效地将正常类和异常类的异常得分向两个极端拉动，从而实现更好的可分性。然而，教师模型中也存在不准确的得分。为缓解这些得分的误导性，NormReg被设计用于在表示空间中对图的正规性进行正则化，使正常节点的表示更紧凑，通过最小化仅针对标记节点的扰动引导一致性损失来实现。
引用
@article{arxiv.2510.02014,
title = {Normality Calibration in Semi-supervised Graph Anomaly Detection},
author = {Guolei Zeng and Hezhe Qiao and Guoguo Ai and Jinsong Guo and Guansong Pang},
journal= {arXiv preprint arXiv:2510.02014},
year = {2026}
}
备注
17 pages