基于稳健同质学习的半监督图异常检测
机器学习
2025-12-09 v2
摘要
半监督图异常检测 (GAD) 利用少量标记的正常节点识别大量未标记节点中的异常节点。当前方法假设：1) 正常节点共享相似的同质性水平；2) 标记的正常节点能良好代表正常类别的同质性模式。然而，这一假设在现实图结构异常检测数据集中常常不成立，因为正常节点在实际数据中可能呈现多样化的同质性。在本文中，我们提出 RHO，即稳健同质学习 (Robust Homophily Learning)，以适应性方式学习这些同质性模式。RHO 包含两个新模块：自适应频率响应滤波器 (AdaFreq) 和图谱同质性对齐 (GNA)。AdaFreq 通过在节点属性的通道级和跨通道视角下学习一组自适应谱滤波器，以捕获不同同质性水平下标记正常节点的不同频率成分。GNA 引入用于在通道级和跨通道同质性表示之间强制一致性，以稳健化滤波器在两个视角中学习的正常性。在八个真实图结构异常检测数据集上的实验表明，RHO 能够有效学习小型正常节点集中常被低估的变异同质性，并显著优于当前最先进的竞争方法。代码已公开于 https://github.com/mala-lab/RHO。
引用
@article{arxiv.2506.15448,
title = {Semi-supervised Graph Anomaly Detection via Robust Homophily Learning},
author = {Guoguo Ai and Hezhe Qiao and Hui Yan and Guansong Pang},
journal= {arXiv preprint arXiv:2506.15448},
year = {2025}
}
备注
Accepted at NeurIPS 2025