节点级图异常检测的三次回顾：离群点、消息传递与双曲神经网络
机器学习
2024-03-08 v1
摘要
图异常检测在识别复杂网络中的异常实例方面发挥着至关重要的作用。尽管近年来基于深度学习的方法取得了进展，但现有的基准测试方法仍存在局限性，阻碍了全面的比较。在本文中，我们从三个方面重新审视了无监督节点级图异常检测任务的数据集和方法。首先，我们引入了离群点注入方法，以在图数据集中创建更多样化且基于图的异常。其次，我们比较了采用消息传递的方法与不采用消息传递的方法，揭示了与消息传递相关的意外性能下降。第三，我们探索了双曲神经网络的使用，指定了有助于提升性能的关键架构和损失设计。通过严格的实验和评估，我们的研究阐明了改进节点级图异常检测方法的通用策略。
引用
@article{arxiv.2403.04010,
title = {Three Revisits to Node-Level Graph Anomaly Detection: Outliers, Message Passing and Hyperbolic Neural Networks},
author = {Jing Gu and Dongmian Zou},
journal= {arXiv preprint arXiv:2403.04010},
year = {2024}
}
备注
Presented at the Second Learning on Graphs Conference (LoG 2023)