基于正常结构正则化的开集图异常检测
机器学习
2025-06-23 v5 人工智能
社会与信息网络
摘要
本文考虑一项重要的图异常检测（GAD）任务，即开集 GAD，其旨在使用少量正常节点与异常节点（称为已见异常）训练检测模型，以检测已见异常与未见异常（即无法由训练异常说明的异常）。这些带标签的训练数据为 GAD 模型提供了关于异常的至关重要先验知识，从而大幅降低检测误差。然而，当前有监督 GAD 方法倾向于过度强调拟合已见异常，导致将未见异常检测为正常节点的许多错误。此外，现有开集异常检测（AD）模型被引入处理欧氏数据，未能有效从图结构与节点属性中捕获判别特征用于 GAD。在本工作中，我们提出一种新颖的开集 GAD 方法，即正常结构正则化（NSReg），以实现对未见异常的泛化检测能力，同时保持其对已见异常检测的有效性。NSReg 的核心思想是引入一个正则化项，基于正常节点与其他节点的结构关系，强制学习紧凑且语义丰富的正常节点表征。当与有监督异常检测损失共同优化时，该正则化项有助于将强正常性纳入建模，从而有效避免过拟合已见异常并学习更好的正常性决策边界，大幅减少将未见异常检测为正常的假阴性。在七个真实数据集上的大量实证结果表明，NSReg 在未见异常类上显著优于最先进竞争方法至少 14% AUC-ROC，在所有异常类上优于 10% AUC-ROC。
引用
@article{arxiv.2311.06835,
title = {Open-Set Graph Anomaly Detection via Normal Structure Regularisation},
author = {Qizhou Wang and Guansong Pang and Mahsa Salehi and Xiaokun Xia and Christopher Leckie},
journal= {arXiv preprint arXiv:2311.06835},
year = {2025}
}
备注
Accepted by ICLR 2025