BriefGPT - AI 论文速递
·
跨分布域的图异常检测：自适应测试时表示学习
💡
原文英文，约100词，阅读约需1分钟。
📝
内容提要
本研究提出了AdaGraph-T3框架，旨在解决图异常检测中的标记异常稀缺问题。通过结合监督学习与自监督学习，显著提升了跨领域检测性能，实验结果显示AUROC和AUPRC分别提高了6.6%和7.9%。
🎯
关键要点
- 本研究提出了AdaGraph-T3框架，旨在解决图异常检测中的标记异常稀缺问题。
- 现有的监督方法在分布转移和异构特征空间时效果欠佳。
- AdaGraph-T3是一个创新的测试时训练框架，结合了监督学习与自监督学习。
- 该框架利用同质性基础的亲和力得分在测试阶段适应新领域。
- 实验结果显示，AdaGraph-T3在多个跨领域设置上AUROC和AUPRC分别提高了6.6%和7.9%。
🏷️
标签
➡️
