基于多尺度跨模态与单模态对比学习的文本属性图异常检测
机器学习
2025-08-04 v1
摘要
图数据在各种高风险场景中的广泛应用增加了对图异常检测的关注。面对现实世界中通常带有原始文本序列形式的节点描述的图，称为文本属性图，现有的图异常检测流程通常涉及浅层嵌入技术来将此类文本信息编码为特征，然后依赖图域内复杂的自监督任务来检测异常。然而，这种文本编码过程与图域中的异常检测训练目标相分离，使得难以确保提取的文本特征关注于GAD相关信息，严重制约了检测能力。如何无缝集成原始文本和图拓扑结构，以释放TAGs中跨模态数据在异常检测方面的巨大潜力，是一个具有挑战性的问题。本文提出了一种新颖的端到端文本属性图异常检测范式，命名为CMUCL。我们同时对来自文本和图结构的数据进行建模，并通过利用跨模态和单模态的多尺度一致性来联合训练文本和图编码器，以挖掘潜在的异常相关信息。据此，我们设计了一个基于不一致性挖掘的异常分数估计器，以得出节点特定的异常分数。考虑到缺乏针对TAGs异常检测的基准数据集，我们发布了8个数据集以促进未来研究。大量评估表明，CMUCL在文本属性图异常检测方面取得了显著进展，平均精度比次优方法提高了11.13%。
引用
@article{arxiv.2508.00513,
title = {Text-Attributed Graph Anomaly Detection via Multi-Scale Cross- and Uni-Modal Contrastive Learning},
author = {Yiming Xu and Xu Hua and Zhen Peng and Bin Shi and Jiarun Chen and Xingbo Fu and Song Wang and Bo Dong},
journal= {arXiv preprint arXiv:2508.00513},
year = {2025}
}
备注
Accepted by ECAI 2025