SAD：动态图上的半监督异常检测
机器学习
2023-05-24 v1 社会与信息网络
摘要
异常检测旨在区分显著偏离多数良性实例的异常实例。由于真实世界中出现的实例天然相互连接且可用图表示，图神经网络在解决异常检测问题中日益流行。尽管结果可观，异常检测研究几乎 exclusively 聚焦于静态图，而从动态图中挖掘异常模式则鲜有研究却具有重要应用价值。此外，由于标注数据不足，异常检测通常从半监督视角着手。然而，多数已有方法局限于仅利用标注数据，大量未标注样本未被探索。在本工作中，我们提出半监督异常检测（SAD），一种用于动态图异常检测的端到端框架。通过结合配备时间的内存库与伪标签对比学习模块，SAD 能够充分挖掘大量未标注样本的潜力，并揭示演化图流上的潜在异常。在四个真实数据集上的大量实验表明，SAD 能高效地从动态图发现异常，即便仅提供少量标注数据也优于现有先进方法。
引用
@article{arxiv.2305.13573,
title = {SAD: Semi-Supervised Anomaly Detection on Dynamic Graphs},
author = {Sheng Tian and Jihai Dong and Jintang Li and Wenlong Zhao and Xiaolong Xu and Baokun wang and Bowen Song and Changhua Meng and Tianyi Zhang and Liang Chen},
journal= {arXiv preprint arXiv:2305.13573},
year = {2023}
}
备注
Accepted to IJCAI'23. Code will be available at https://github.com/D10Andy/SAD