PREM：一种简洁而高效的节点级图异常检测方法
机器学习
2023-11-29 v3 人工智能
摘要
节点级图异常检测（GAD）在医疗、社交网络与电子商务等多个领域中识别图结构数据中的异常节点方面起着关键作用。然而，由于异常的多样性与标注数据的匮乏，挑战已然出现。现有方法——基于重建与对比学习——虽然有效，却常因复杂的目标与精细的模块而受效率问题困扰。为提升 GAD 的效率，我们引入一种称为预处理与匹配（简称 PREM）的简洁方法。我们的方法简化了 GAD，在保持强大异常检测能力的同时降低了时间与内存消耗。PREM 由两个模块组成——一个预处理模块与一个自邻域匹配模块——消除了训练期间消息传递传播的必要，并采用简单的对比损失，从而大幅减少了训练时间与内存使用。此外，通过对五个真实世界数据集的严格评估，我们的方法展现了鲁棒性与有效性。值得注意的是，在 ACM 数据集上验证时，与最高效的基线相比，PREM 在 AUC 上实现了 5% 的提升、训练速度提升 9 倍，并急剧降低了内存使用。
引用
@article{arxiv.2310.11676,
title = {PREM: A Simple Yet Effective Approach for Node-Level Graph Anomaly Detection},
author = {Junjun Pan and Yixin Liu and Yizhen Zheng and Shirui Pan},
journal= {arXiv preprint arXiv:2310.11676},
year = {2023}
}
备注
Accepted by IEEE International Conference of Data Mining 2023 (ICDM 2023)