UMGAD：无监督多层图异常检测
机器学习
2025-07-03 v4
摘要
图异常检测（GAD）是图机器学习中的一项关键任务，其主要目标是识别显著偏离大多数节点的异常节点。该任务广泛应用于各种现实场景，包括欺诈检测和社交网络分析。然而，现有的 GAD 方法仍面临两大主要挑战：（1）它们通常局限于在单一交互类型的图中检测异常，难以处理多层异构图中多种交互类型。（2）在无监督场景下，选择合适的异常分数阈值对于准确的异常检测仍然是一个重大挑战。为了应对上述挑战，我们提出了一种名为 UMGAD 的无监督多层图异常检测方法。我们首先学习多层异构图中节点间的多关系相关性，并通过图掩码自编码器（GMAE）在节点属性和结构重构过程中捕获异常信息。然后，为了进一步提取异常信息，我们分别生成属性级和子图级的增广视图图，并通过 GMAE 进行属性和结构重构。最后，我们通过原始视图图和增广视图图之间的对比学习，学习优化节点属性和结构特征，以提高模型捕获异常的能力。同时，我们提出了一种新的异常分数阈值选择策略，使模型在真实的无监督场景中不依赖于真值信息。在六个数据集上的广泛实验表明，我们的 UMGAD 显著优于 SOTA 方法，在所有数据集上 AUC 平均提升 12.25%，Macro-F1 平均提升 11.29%。
引用
@article{arxiv.2411.12556,
title = {UMGAD: Unsupervised Multiplex Graph Anomaly Detection},
author = {Xiang Li and Jianpeng Qi and Zhongying Zhao and Guanjie Zheng and Lei Cao and Junyu Dong and Yanwei Yu},
journal= {arXiv preprint arXiv:2411.12556},
year = {2025}
}