重新审视用于异常检测的图对比学习
机器学习
2023-05-05 v1 人工智能
摘要
近期，将图神经网络（GNNs）与对比学习结合用于异常检测引起了越来越多的关注。现有图对比异常检测（GCAD）方法主要聚焦于通过图增强与多尺度对比模块来提升检测能力。然而，这些模块如何起作用的内在机制尚未被充分探究。我们深入研究了多尺度与图增强机制，观察到多尺度对比模块并未增强表达能力，而多GNN模块才是隐藏的贡献者。以往研究倾向于将多GNN带来的益处归因于多尺度模块。本文中，我们深入剖析该误解并提出了多GNN与增强图对比框架MAG，从对比自监督视角统一了现有GCAD方法。我们从MAG框架中提取了两个变体L-MAG与M-MAG。L-MAG是MAG的轻量实例，以低计算成本在Cora与Pubmed上优于最先进方法。配备多GNN模块的变体M-MAG进一步提升了检测性能。我们的研究揭示了现有GCAD方法的缺陷，并展示了多GNN与图增强模块的潜力。我们的代码见https://github.com/liuyishoua/MAG-Framework。
引用
@article{arxiv.2305.02496,
title = {Revisiting Graph Contrastive Learning for Anomaly Detection},
author = {Zhiyuan Liu and Chunjie Cao and Fangjian Tao and Jingzhang Sun},
journal= {arXiv preprint arXiv:2305.02496},
year = {2023}
}
备注
7 pages, 4 figures, graph anomaly detection on attribute network