用于属性网络异常检测的重构增强多视图对比学习
机器学习
2023-10-02 v1
摘要
从属性网络中检测异常节点在诸多实际应用（如金融欺诈检测与网络安全）中具有重要意义。该任务具有挑战性，原因在于异常节点与其他节点间复杂的交互及其在属性上的不一致性。本文提出一种自监督学习框架，联合优化基于多视图对比学习的模块与基于属性重构的模块，以更准确地检测属性网络中的异常。具体而言，首先建立两个对比学习视图，使模型能更好地编码与异常相关的丰富局部与全局信息。受相邻节点间属性一致性原则启发，还引入了基于掩码自编码器的重构模块来识别具有较大重构误差的节点，并将其视为异常。最后，整合这两个互补模块以更准确地检测异常节点。在五个基准数据集上的大量实验表明，我们的模型优于当前最先进（SOTA）模型。
引用
@article{arxiv.2205.04816,
title = {Reconstruction Enhanced Multi-View Contrastive Learning for Anomaly Detection on Attributed Networks},
author = {Jiaqiang Zhang and Senzhang Wang and Songcan Chen},
journal= {arXiv preprint arXiv:2205.04816},
year = {2023}
}
备注
Accepted at IJCAI-ECAI 2022