图对比学习在异常检测中的重访：一种结构失衡视角
机器学习
2025-07-22 v1
摘要
图对比学习(GCL)的优越性已推动其应用于异常检测任务，以构建更强大的风险警示系统。不幸的是，现有基于GCL的方法倾向于过度关注整体检测性能，而忽视对结构失衡的鲁棒性，这在许多遵循幂律分布的网络中可能具有问题。特别是，基于GCL的方法可能无法捕获尾部异常（度数较低的异常节点）。这引发了对当前异常检测算法安全性和鲁棒性的广泛关注，从而阻碍了其在各种现实高风险场景中的应用。到目前为止，针对图异常检测对结构失衡鲁棒性的研究几乎没有受到关注。为了解决上述问题，本文提出了一种新的GCL框架，称为AD-GCL。它设计了邻居修剪策略，用于过滤头节点的噪声边，以通过从头节点对齐到伪造的尾部节点来促进对真实尾部节点的检测。此外，AD-GCL主动探索潜在邻居，通过异常导向的邻居完成来扩大尾部节点的感受野。我们进一步引入了原始图和增强图之间的内视图和跨视图一致性损失，以增强表示。对整个、头节点和尾节点的性能进行评估表明，所提出的AD-GCL在检测头异常和尾异常方面综合优于现有方法。
引用
@article{arxiv.2507.14677,
title = {Revisiting Graph Contrastive Learning on Anomaly Detection: A Structural Imbalance Perspective},
author = {Yiming Xu and Zhen Peng and Bin Shi and Xu Hua and Bo Dong and Song Wang and Chen Chen},
journal= {arXiv preprint arXiv:2507.14677},
year = {2025}
}
备注
Accepted by AAAI2025