基于可控性的图神经网络鲁棒异常检测
机器学习
2025-07-21 v1
摘要
由于需要大量标注数据以及异常样本与良性样本固有的不平衡性，复杂领域中的异常检测面临重大挑战。基于图的机器学习模型已成为一种有前景的解决方案，它结合了属性数据和关系数据以揭示复杂模式。然而，异常数据的稀缺加剧了这一挑战，需要创新策略以在信息有限的情况下增强模型学习。在本文中，我们假设引入通过平均可控性量化的节点影响力，可以显著提高异常检测的性能。我们提出了两种将平均可控性整合到基于图框架中的新方法：（1）将平均可控性用作边权重；（2）将其编码为独热边属性向量。通过在真实世界和合成网络上与六个 SOTA 基线进行严格评估，我们提出的方法在识别异常方面表现出性能提升，突显了可控性度量在增强图机器学习模型性能中的关键作用。这项工作强调了整合平均可控性作为附加度量以应对稀疏和不平衡数据集中异常检测挑战的潜力。
引用
@article{arxiv.2507.13954,
title = {Robust Anomaly Detection with Graph Neural Networks using Controllability},
author = {Yifan Wei and Anwar Said and Waseem Abbas and Xenofon Koutsoukos},
journal= {arXiv preprint arXiv:2507.13954},
year = {2025}
}
备注
conference paper published in IEEE CAI 2025