缓解图异常检测中的结构分布偏移

💡 原文中文,约1200字,阅读约需3分钟。
📝

内容提要

本文综述了图异常检测的最新进展,涵盖多种深度学习方法,包括ADA-GAD双阶段框架、PhoGAD持续同调框架、GAD-NR邻域重构自编码器、SL-GAD多视角对比学习、动态图半监督SAD、多视图融合方法、数据增强AugAN及NLGAD正常性学习框架。实验验证这些方法性能优于现有方法。

🔎

延伸解读

结构分布偏移的挑战

图异常检测中,结构分布偏移指训练与测试图的结构分布不一致,导致模型泛化能力下降。本文综述的多种方法如ADA-GAD、PhoGAD等,均旨在缓解此问题。例如,PhoGAD利用持续同调优化行为边界,减轻本地异质性影响;GAD-NR通过邻域重构克服聚类型结构异常。这些方法从不同角度应对结构分布偏移,提升检测鲁棒性。

方法创新点解析

各方法创新点各异:ADA-GAD采用双阶段框架,通过减少异常级别和多层级表示预训练,并正则化节点异常分布以减轻过拟合;SL-GAD结合生成属性回归与多视角对比学习,捕捉属性与结构异常;SAD针对动态图,结合时间内存库和伪标签对比学习,利用未标记样本。这些创新共同推动了图异常检测的发展。

实验性能与适用场景

实验表明,这些方法在真实世界数据集上性能优于现有方法。GAD-NR性能提升多达30%,NLGAD在AUC上最多提升5.89%。PhoGAD在侵入、流量和垃圾邮件数据集上超越现有框架,且在异常比例减少时仍保持鲁棒性,凸显其实际适用性。多视图融合方法在多个数据集上表现出更好的泛化能力。

❓

Q&A

图异常检测中结构分布偏移问题有哪些最新的深度学习方法?

文章综述了多种深度学习方法,包括ADA-GAD双阶段框架、PhoGAD持续同调框架、GAD-NR邻域重构自编码器、SL-GAD多视角对比学习、动态图半监督SAD、多视图融合方法、数据增强AugAN及NLGAD正常性学习框架。这些方法在实验中性能优于现有方法。

ADA-GAD框架是如何工作的?

ADA-GAD是一种双阶段框架,通过减少异常级别并利用多层级表示进行预训练和检测,同时使用节点异常分布正则化来减轻异常过拟合问题。

PhoGAD框架有什么创新点?

PhoGAD利用持续同调优化澄清行为边界,设计相邻边的权重以减轻本地异质性的影响,并通过形式化分析和基于显式嵌入的解缠表示方法解决噪声问题。实验证明其在侵入、流量和垃圾邮件数据集上性能超越现有框架,并在减少异常比例时仍表现鲁棒。

GAD-NR方法在异常检测中有什么优势?

GAD-NR是一种图自编码器方法,通过邻域重构来检测图的异常节点,相较于现有方法在克服聚类型结构异常检测的同时还能检测其他类型的异常,实验结果显示其性能提升了多达30%。

SL-GAD方法如何检测图数据中的异常?

SL-GAD利用生成属性回归模块捕捉属性空间中的异常,以及多视角对比学习模块从多个子图中挖掘丰富的结构信息来检测结构空间中的异常。实验结果表明该方法较现有方法具有更好的表现。

动态图半监督异常检测(SAD)框架有什么特点?

SAD框架将时间内存库和伪标签对比学习模块相结合,充分利用未标记样本,可以有效地发现和检测动态图数据中的异常,即使只有少量标记数据也能优于现有先进方法。

多视图融合方法在图异常检测中是如何提升性能的?

多视图融合方法结合了视角级融合和特征级融合以更好地利用不同视角的信息。在多个数据集上的实验表明,该方法在异常检测性能和泛化能力方面优于其他现有算法。

数据增强方法AugAN如何解决半监督图异常检测的泛化问题?

AugAN是一种基于数据增强的半监督学习方法,用于解决现有半监督图异常检测方法的泛化问题,并进一步提高模型的泛化能力,从而有效检测训练和测试数据中存在的异常。

NLGAD正常性学习框架的检测性能如何?

NLGAD通过多尺度对比学习网络的正常模式学习构建,相较于现有算法提高了检测性能,最多有5.89%的AUC增益。

🏷️

标签

➡️

继续阅读