基于常态学习并通过多尺度对比学习的图异常检测
机器学习
2023-10-03 v2
摘要
图异常检测（GAD）在机器学习和数据挖掘中引起了越来越多的关注。近期工作主要聚焦于如何捕获更丰富的信息以提升 GAD 节点嵌入的质量。尽管这些工作在检测性能上取得了显著进展，但对任务本身性质的研究仍相对匮乏。GAD 旨在识别偏离大多数节点的异常。然而，模型易于学习构成样本多数的正常样本的模式。同时，当异常的行为有别于常态时，便易被检测。因此，通过增强学习正常模式的能力可进一步提升性能。为此，我们提出了一种基于常态学习、通过多尺度对比学习网络的 GAD 框架（简称 NLGAD）。具体而言，我们首先在不同尺度上用对比网络初始化模型。为给常态学习提供充分且可靠的正常节点，我们设计了一种有效的混合策略用于常态选择。最后，模型仅以可靠正常节点为输入进行精炼，学习更准确的常态估计，从而更易区分异常节点。最终，在六个基准图数据集上的大量实验证明了我们基于常态学习的方案在 GAD 上的有效性。值得注意的是，与最先进方法相比，所提算法提升了检测性能（AUC 增益高达 5.89%）。源代码发布于 https://github.com/FelixDJC/NLGAD。
引用
@article{arxiv.2309.06034,
title = {Normality Learning-based Graph Anomaly Detection via Multi-Scale Contrastive Learning},
author = {Jingcan Duan and Pei Zhang and Siwei Wang and Jingtao Hu and Hu Jin and Jiaxin Zhang and Haifang Zhou and Xinwang Liu},
journal= {arXiv preprint arXiv:2309.06034},
year = {2023}
}
备注
10 pages, 7 figures, accepted by ACM MM 2023