ResGCN：基于注意力的深度残差建模用于属性网络异常检测
机器学习
2020-10-01 v1 机器学习
摘要
在属性网络中有效检测异常节点对于欺诈与入侵检测等许多现实应用至关重要。现有方法难以应对三个主要问题：稀疏性与非线性捕捉、残差建模以及网络平滑。我们提出残差图卷积网络（ResGCN），一种可应对这些问题的基于注意力的深度残差建模方法：用 GCN 对属性网络建模可捕捉稀疏性与非线性；利用深度神经网络可直接从输入中学习残差；基于残差的注意力机制减少了异常节点的不利影响并防止过平滑。在多个真实属性网络上的大量实验证明了 ResGCN 在异常检测中的有效性。
引用
@article{arxiv.2009.14738,
title = {ResGCN: Attention-based Deep Residual Modeling for Anomaly Detection on Attributed Networks},
author = {Yulong Pei and Tianjin Huang and Werner van Ipenburg and Mykola Pechenizkiy},
journal= {arXiv preprint arXiv:2009.14738},
year = {2020}
}