SmoothGNN：基于平滑性感知的无监督节点异常检测
机器学习
2024-10-18 v2
摘要
图学习中的平滑问题导致节点表示难以区分，为图相关任务带来显著挑战。然而，我们的实验发现，这一问题揭示了节点异常检测（NAD）中隐藏的属性，这些属性以往的研究工作忽略了。我们提出了Individual Smoothing Patterns（ISP）和Neighborhood Smoothing Patterns（NSP），指出异常节点的表示比正常节点的平滑难度更大。此外，我们探讨了这些模式的理论意义，展示了ISP和NSP对NAD任务的潜在益处。基于这些发现，我们提出SmoothGNN—a款新型无监督NAD框架。首先，我们设计了一个学习组件，显式捕获ISP以检测节点异常。其次，我们设计了一个谱图神经网络，隐式学习ISP以增强检测。最后，我们根据NSP的发现设计了有效系数，作为节点表示的系数，有助于识别异常节点。此外，我们构思了一种新型异常度量，用于计算节点损失函数和异常得分，反映了ISP和NSP在NAD中的属性。大量在9个真实数据集上的实验表明，SmoothGNN在AUC上比最佳对手平均提升14.66%，在平均精度（Average Precision）上提升7.28%，实现了75倍的运行时间加速，验证了该框架的有效性与效率。
引用
@article{arxiv.2405.17525,
title = {SmoothGNN: Smoothing-aware GNN for Unsupervised Node Anomaly Detection},
author = {Xiangyu Dong and Xingyi Zhang and Yanni Sun and Lei Chen and Mingxuan Yuan and Sibo Wang},
journal= {arXiv preprint arXiv:2405.17525},
year = {2024}
}