极端有限标签下的半监督动态图异常检测

半监督图异常检测（GAD）最近受到广泛关注，其目标是在 moderate 数量的标记数据和大量未标记数据指导下，区分图中的异常模式。尽管已提出的半监督GAD方法取得了很好的成绩，但当提供的标记极端有限时（由于某些不可预测因素），其优异性能将严重受到影响。此外，现有方法主要关注静态图的异常检测，几乎没有关注图随时间持续演化的特征（动态图）。为此，我们提出一种新型GAD框架（EL²-DGAD），以解决标记极端有限时动态图的异常检测问题。具体而言，我们设计了一个基于Transformer的图编码器模型，以更有效地保留演化图结构（超出局部邻域）。随后，我们引入一种基于ego-context 超球体分类损失，用于根据其结构和时序邻域对temporal interactions进行分类，同时确保正常样本在异常数据空间中紧凑映射。最后，将上述损失进一步与ego-context 对比模块相结合，该模块利用未标记数据来增强模型的泛化能力。在四个数据集和三个标签比率上的大量实验表明，我们的方法有效地解决了与现有GAD方法相比的挑战。