FGAD: 自助强化知识蒸馏的有效联邦图异常检测框架

💡 原文中文,约1500字,阅读约需4分钟。
📝

内容提要

本文综述了多种图异常检测方法,包括基于GNN预测、多视图融合、少样本对比学习、双阶段框架、动态图生成对抗、联邦学习、半监督生成及数据增强等,这些方法在真实数据集上均优于现有算法。

🔎

延伸解读

联邦图异常检测的演进脉络

文章梳理了从2021年至2024年图异常检测的多条技术路线,包括基于GNN预测、多视图融合、少样本对比学习、双阶段框架、动态图生成对抗、联邦学习、半监督生成及数据增强等。这些方法在真实数据集上均优于现有算法,反映出该领域正从单一模型向多策略融合、从集中式向联邦式、从监督向半监督/少样本方向快速演进。

动态图与联邦学习的针对性突破

针对动态图异常检测,GADY通过连续动态图模型和生成对抗网络生成负交互,解决了动态结构构建和负采样两大挑战。联邦学习方面,FadMan在多个属性网络和不带属性网络上进行异常检测,准确率比竞争方法至少高12%。这些工作表明,特定场景下的定制化设计能带来显著性能提升。

半监督与数据增强的泛化价值

GGAD和AugAN分别从半监督生成和数据增强角度提升图异常检测的泛化能力。GGAD通过生成模拟异常节点训练单类分类器,在四个真实数据集上大幅优于无监督和半监督方法;AugAN则通过数据增强提高模型在训练和测试数据中的异常检测泛化性。这提示读者,在标签稀缺的实际场景中,生成与增强策略是提升模型鲁棒性的有效途径。

❓

Q&A

图异常检测有哪些主要方法?

文章综述了多种图异常检测方法,包括基于GNN预测、多视图融合、少样本对比学习、双阶段框架、动态图生成对抗、联邦学习、半监督生成及数据增强等。

FMGAD模型有什么特点?

FMGAD是一种少样本图异常检测模型,利用自监督对比学习策略在视图内和视图间捕捉内在和可传递的结构表示,并借助深度图神经网络消息增强重构模块利用少样本标签信息并传播到更深的未标记节点。

动态图异常检测面临哪些挑战?

动态图异常检测面临两个挑战:动态结构构建挑战,即难以捕捉带有复杂时间信息的图结构;负采样挑战,即无法构建优秀的负样本用于无监督学习。

GADY如何解决动态图异常检测的挑战?

GADY针对动态结构构建挑战,提出了连续动态图模型,采用消息传递框架结合位置特征获得边缘嵌入,通过解码识别异常;针对负采样挑战,首次使用生成对抗网络生成负交互,并设计损失函数改变生成器训练目标,确保生成样本的多样性和质量。

FadMan算法是什么?

FadMan是一种基于垂直联合学习的算法,用于多个属性网络和不带属性网络上的异常检测,涉及联邦异常检测、公共异常子图和私有异常子图对齐等方面,实验表明其准确率比竞争方法至少高12%。

GGAD方法在半监督图异常检测中有什么优势?

GGAD通过生成能够在本地结构和节点表示中模拟异常节点的异常节点,为训练具有区分性的单类分类器提供有效的负节点样本,从而更好地利用已知的正常节点。在四个真实世界数据集上,GGAD在不同数量训练正常节点下大大优于最先进的无监督和半监督图异常检测方法。

🏷️

标签

➡️

继续阅读