面向多缺失值情況的無監督圖像異常檢測

無監督圖像異常檢測（GAD）近年來受到越來越多的關注，其旨在僅利用無標籤的節點信息對圖結構數據中的異常模式進行識別。然而，現有的無監督 GAD 方法通常假設節點屬性和結構信息完整，這在現實情境下因隱私、收集錯誤或動態節點到達而難以滿足。現有標準的插值方案風險在「修復」罕見的異常節點，使其看起來像正常值，進而引入插值偏差到檢測過程中。此外，當節點屬性和邊同時缺失時，一種視圖的估計誤差會滲透到另一視圖，造成交叉視圖干擾，進一步削弱檢測性能。為此，我們提出了 M$^2$V-UGAD，一種基於不完整圖的多缺失值抗性無監督 GAD 框架。具體而言，我們首先提出雙路徑編碼器，獨立重建缺失的節點屬性與圖結構，以防止一視圖的誤差滲透到另一視圖。隨後，將兩條路徑在聯合潛在空間中融合並正則化，使正常節點佔據緊湊的內部流形，異常節點則位於外部殼層。最後，為緩解插值偏差，我們抽樣正常區域外部的潛在編碼，並解碼為真實的節點特徵和子圖，提供硬負樣本以銳化決策邊界。在七個公開基準上的實驗顯示，M$^2$V-UGAD 在各種缺失率下均一致優於現有的無監督 GAD 方法。