提升无监督图异常检测的公平性通过解耦
内容提要
本文研究了公平图异常检测（FairGAD），旨在在确保公平性的同时检测社交媒体图中的异常节点。通过引入新的数据集和多种检测方法，分析了公平性与效用的权衡。提出了FairSAD框架和FGAD方法，显著提高了检测性能，并探讨了动态图异常检测的挑战，提出了GADY方法，展示了其在多个数据集上的优越性。
延伸解读
公平与效用的权衡
文章指出，在公平图异常检测中，公平性与检测效用之间存在权衡。研究通过11种现有图异常检测和非图异常检测方法以及五种公平性方法，揭示了它们在解决该问题时的有效性和局限性。这表明，提升公平性可能以牺牲部分检测性能为代价，读者需关注不同方法在两者间的平衡策略。
现实数据集的价值
研究引入了来自Reddit和Twitter的两个新型图数据集，分别包含120万条和40万条边，涉及9000个和47000个节点。这些数据集以政治倾向为敏感属性，将谣言传播者定义为异常标签，为公平图异常检测提供了现实基准，有助于评估方法在真实场景中的泛化能力。
动态图检测的挑战
动态图异常检测面临动态结构构建和负采样两大挑战。GADY方法通过连续动态图模型捕捉精细时间信息，并首次使用生成对抗网络生成负交互，以解决负采样问题。实验表明，GADY在三个真实数据集上优于先前最先进方法，为动态环境下的异常检测提供了新思路。
公平性漏洞与攻击
G-FairAttack框架揭示了公平性感知图神经网络的潜在漏洞，能够有效破坏不同类型GNN的公正性而不易被察觉。这提醒研究者和实践者，在追求公平性的同时需关注模型的鲁棒性，防止对抗攻击导致公平性失效，推动更稳健的公平GNN设计。
Q&A
公平图异常检测的主要目标是什么？
公平图异常检测旨在在确保公平性的同时，准确检测社交媒体图中的异常节点。
FairSAD框架是如何改善图神经网络的公平性的？
FairSAD框架通过通道屏蔽机制自适应地识别并消除敏感属性的影响，从而改善图神经网络的公平性。
FGAD框架的创新之处是什么？
FGAD框架通过异常生成器和协作学习机制提高异常检测的效率，特别是在非独立同分布的图上表现优越。
GGAD方法在半监督图异常检测中有什么优势？
GGAD方法通过生成负样本来训练单类分类器，显著优于现有的无监督和半监督方法。
GADY方法解决了动态图异常检测的哪些挑战？
GADY方法通过连续动态图模型捕捉复杂时间信息，并使用生成对抗网络生成负样本，解决了动态结构构建和负采样的挑战。
G-FairAttack框架的目的是什么？
G-FairAttack框架旨在揭示公平性感知的图神经网络的潜在漏洞，并引导进一步研究其鲁棒性。
