重新思考图神经网络在异常检测中的应用
机器学习
2022-06-01 v1 信号处理
摘要
图神经网络（GNNs）被广泛应用于图异常检测。由于 GNN 设计的关键环节之一是选择定制化的谱滤波器，我们首次从图频谱的视角出发分析异常。我们的核心观测是异常的存在会导致“右移”现象，即谱能量分布较少集中于低频而更多集中于高频。这一事实促使我们提出 Beta 小波图神经网络（BWGNN）。具体而言，BWGNN 具有谱域与空域局部化的带通滤波器，以更好地应对异常中的“右移”现象。我们在四个大规模异常检测数据集上验证了 BWGNN 的有效性。我们的代码与数据发布于 https://github.com/squareRoot3/Rethinking-Anomaly-Detection
引用
@article{arxiv.2205.15508,
title = {Rethinking Graph Neural Networks for Anomaly Detection},
author = {Jianheng Tang and Jiajin Li and Ziqi Gao and Jia Li},
journal= {arXiv preprint arXiv:2205.15508},
year = {2022}
}
备注
Accepted by ICML 2022. Our code and data are released at https://github.com/squareRoot3/Rethinking-Anomaly-Detection