子图中心化：图异常检测的必要步骤
机器学习
2023-01-18 v1 社会与信息网络
摘要
图异常检测近期引起了广泛关注。尽管取得了成功，但现有的检测器至少存在以下三个弱点中的两个：(a) 计算成本高，使其仅限于小规模网络；(b) 现有对子图的处理方式导致检测精度次优；(c) 一旦识别出某节点为异常节点，无法提供解释说明其为何异常。我们发现这些弱点的根本原因在于对子图缺乏适当的处理。我们提出了一种称为子图中心化的图异常检测处理方法，以解决上述所有弱点。其重要性体现在两个方面。首先，我们提出了一个简单而有效的新框架，称为图中心异常检测(GCAD)。GCAD 相较于现有检测器（包括深度学习检测器）的主要优势在于：(i) 更好的异常检测精度；(ii) 相对于节点数的线性时间复杂度；(iii) 它是一个通用框架，允许使用现有的点异常检测器来检测网络中的节点异常。其次，我们展示了子图中心化可以结合到两个现有的检测器中，以克服上述弱点。
引用
@article{arxiv.2301.06794,
title = {Subgraph Centralization: A Necessary Step for Graph Anomaly Detection},
author = {Zhong Zhuang and Kai Ming Ting and Guansong Pang and Shuaibin Song},
journal= {arXiv preprint arXiv:2301.06794},
year = {2023}
}
备注
To be published in SDM2023