用于无监督图异常检测的强化邻居选择
机器学习
2023-12-12 v1 人工智能
摘要
无监督图异常检测对于各种实际应用至关重要，其旨在识别图中偏离大多数节点的罕见模式的异常。最近的进展利用图神经网络（GNN）通过聚合来自邻居的信息来学习用于异常检测的高质量节点表示。然而，异常的存在可能使观察到的邻居变得不可靠，并导致节点表示学习中的信息聚合产生误导。选择合适的邻居对于图异常检测至关重要，但由于缺乏面向异常的指导以及与表示学习的相互依赖性，这也具有挑战性。为了解决这些问题，我们利用强化学习在复杂环境中自适应学习的优势，提出了一种新方法，将强化邻居选择纳入无监督图异常检测（RAND）。RAND 首先通过多种类型的间接邻居丰富给定中心节点的候选邻居池。接下来，RAND 设计了一个定制的强化异常评估模块，以评估考虑给定邻居的可靠性和奖励。最后，RAND 根据这些奖励选择最可靠的邻居子集，并引入了一个异常感知聚合器，以放大来自可靠邻居的消息，同时削弱来自不可靠邻居的消息。在三个合成数据集和两个真实世界数据集上的大量实验表明，RAND 优于 SOTA 方法。
引用
@article{arxiv.2312.05526,
title = {Reinforcement Neighborhood Selection for Unsupervised Graph Anomaly Detection},
author = {Yuanchen Bei and Sheng Zhou and Qiaoyu Tan and Hao Xu and Hao Chen and Zhao Li and Jiajun Bu},
journal= {arXiv preprint arXiv:2312.05526},
year = {2023}
}
备注
1O pages, 7 figures, accepted by ICDM2023