UniGAD：统一多层级图异常检测
机器学习
2024-11-12 v1
摘要
图异常检测（GAD）旨在识别图结构数据中不常见、偏离或可疑的对象。现有方法通常聚焦于单一图对象类型（节点、边、图等），并且经常忽略不同图异常对象类型之间的内在联系。例如，一笔洗钱交易可能涉及一个异常账户及其交互的更广泛社区。为了解决这一问题，我们提出了 UniGAD，这是首个联合检测节点、边和图层级异常的统一框架。具体而言，我们开发了最大瑞利商子图采样器（MRQSampler），通过将各层级的对象转化为子图上的图级任务来统一多层级格式。我们从理论上证明了 MRQSampler 最大化子图的累积谱能量（即瑞利商），以保留最重要的异常信息。为了进一步统一多层级训练，我们引入了一种新型图拼接网络（GraphStitch Network），用于整合不同层级之间的信息、调整各层级所需的共享量，并协调冲突的训练目标。全面的实验表明，UniGAD 在性能上超越了现有的单任务 GAD 方法和多任务图提示方法，同时提供了稳健的零样本任务迁移能力。所有代码均可在 https://github.com/lllyyq1121/UniGAD 获取。
引用
@article{arxiv.2411.06427,
title = {UniGAD: Unifying Multi-level Graph Anomaly Detection},
author = {Yiqing Lin and Jianheng Tang and Chenyi Zi and H. Vicky Zhao and Yuan Yao and Jia Li},
journal= {arXiv preprint arXiv:2411.06427},
year = {2024}
}
备注
Accepted by NeurIPS 2024. All codes can be found at https://github.com/lllyyq1121/UniGAD