SpaceGNN：用于标签极其有限的节点异常检测的多空间图神经网络
机器学习
2025-02-06 v1
摘要
节点异常检测（Node Anomaly Detection, NAD）因其在现实场景中的多样化应用而在深度学习社区中受到广泛关注。现有NAD方法主要在单一欧几里得空间中嵌入图形，忽略了非欧几里得空间对节点表示潜在价值的潜力。此外，为解决现实NAD任务中监督信息有限的普遍问题，之前的方法倾向于利用合成数据收集辅助信息，但我们的实验表明这并非有效解决方案。为克服这些挑战，我们提出了一种面向标签极其有限的NAD任务的新型SpaceGNN模型。具体而言，我们通过对不同空间对节点表示益处的经验性分析，深入揭示了该任务相关框架的内在价值，据此设计了Learnable Space Projection函数，以有效地将节点编码到合适的空间中。此外，我们引入了加权同质性（weighted homogeneity）的概念，并经验性和理论性地验证了其作为信息传播系数的有效性。这一概念启发了Distance Aware Propagation模块的设计。进一步，我们提出了Multiple Space Ensemble模块，在标签极其有限的条件下提取NAD的全面信息。我们的发现表明，该模块比数据增强技术对NAD更有益。对9个真实数据集上的广泛实验结果表明，SpaceGNN的优势性，平均以AUC提升8.55%，F1分数提升4.31%。我们的代码已公开于https://github.com/xydong127/SpaceGNN。
引用
@article{arxiv.2502.03201,
title = {SpaceGNN: Multi-Space Graph Neural Network for Node Anomaly Detection with Extremely Limited Labels},
author = {Xiangyu Dong and Xingyi Zhang and Lei Chen and Mingxuan Yuan and Sibo Wang},
journal= {arXiv preprint arXiv:2502.03201},
year = {2025}
}