面向跨域的少样本图异常检测
机器学习
2024-10-14 v1
摘要
少样本图异常检测(GAD)最近受到越来越多的关注，其旨在在有限数量的标记训练节点指导下，识别大量未标记测试节点中的异常模式。现有的少样本GAD方法通常采用在丰富标记的辅助网络上进行的元训练，以便快速适应稀疏标记的目标网络。然而，这些方法常常假设辅助网络与目标网络存在相同的数据分布——这在实际场景中很少成立。本文探讨了更常见且更复杂的跨域少样本GAD场景，即利用来自相关但不同域的辅助图谱，在稀疏标记的目标图谱中识别异常。由于源域与目标域之间固有的分布差异，以及目标域稀疏标记的不确定性，此任务具有显著挑战性。本文提出了一套简单且有效的框架，称为CDFS-GAD，专为解决上述挑战而设计。CDFS-GAD首先引入域适应图对比学习模块，以增强跨域特征对齐。随后，设计了一个提示调优模块，以从每个域中提取领域特定特征。此外，提出了基于域敏感范数的域适应超球分类损失，以在有限监督下增强正常实例与异常实例之间的判别性。最后，引入自训练策略以进一步细化预测得分，提升在少样本设置下的可靠性。在十二组真实世界跨域数据对上进行的大量实验表明，所提出的CDFS-GAD框架在各种现有GAD方法之上表现出色。
引用
@article{arxiv.2410.08629,
title = {Towards Cross-domain Few-shot Graph Anomaly Detection},
author = {Jiazhen Chen and Sichao Fu and Zhibin Zhang and Zheng Ma and Mingbin Feng and Tony S. Wirjanto and Qinmu Peng},
journal= {arXiv preprint arXiv:2410.08629},
year = {2024}
}
备注
Accepted by 24th IEEE International Conference on Data Mining (ICDM 2024)