HC-GLAD：双超边对比学习用于无监督图层次异常检测

GLAD是一种新型人机协同学习算法，支持全局异常探测器的本地化相关性自动学习和解释。

GLAD在合成和真实数据上取得了良好的效果，采用多视图、多尺度对比学习框架提高子图嵌入的鲁棒性。

提出的层次贝叶斯模型——组潜在异常检测（GLAD）模型，可以自动推断组并同时检测组异常。

研究了无监督的图级异常检测和离群检测，提出了一个统一的基准，包含35个数据集的综合评估框架。

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5.89%的AUC增益）。

GGAD是一种新颖的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。

提出了一种新的无监督框架，利用图自动编码器和拓扑模式进行群体级图异常检测。

SL-GAD方法利用生成属性回归模块和多视角对比学习模块，检测图数据中的异常，表现优于现有方法。

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。

GLAD框架结合日志语义、关系模式和顺序模式，有效检测系统日志中的异常关系模式。