HC-GLAD：双超边对比学习用于无监督图层次异常检测
原文中文，约1400字，阅读约需4分钟。
📝
内容提要
本文介绍了一种名为GLAD的人机协同学习算法，支持异常探测器的自动学习与解释。研究提出了多种图异常检测方法，包括基于层次贝叶斯模型的组潜在异常检测（GLAD）和半监督图异常检测方法（GGAD），在多个数据集上表现优越。这些方法通过对比学习和图自动编码器等技术，提高了检测性能和鲁棒性。
❓
Q&A
GLAD算法的主要功能是什么？
GLAD算法支持全局异常探测器的本地化相关性自动学习和解释。
GLAD在数据集上的表现如何？
GLAD在合成和真实数据上取得了良好的效果，表现优越。
什么是组潜在异常检测（GLAD）模型？
组潜在异常检测（GLAD）模型是一种层次贝叶斯模型，可以自动推断组并同时检测组异常。
GGAD方法的优势是什么？
GGAD是一种半监督图异常检测方法，能够更好地利用已知的正常节点，展示了优越的性能。
NLGAD框架如何提高检测性能？
NLGAD框架通过多尺度对比学习网络的正常模式学习，提高了检测性能，最多可增益5.89%的AUC。
FMGAD模型的特点是什么？
FMGAD是一种少样本图异常检测模型，能够在少样本标签信息的基础上实现更好的性能。
🏷️
