HC-GLAD：双超边对比学习用于无监督图层次异常检测
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。
延伸解读
GLAD名称的多重含义
文章中出现多个名为GLAD的模型，但指向不同研究。2018年的人机协同学习算法GLAD支持全局异常探测器的本地化相关性自动学习和解释；2014年的层次贝叶斯模型GLAD用于组潜在异常检测，并可扩展为d-GLAD；2023年的GLAD则是基于图的日志异常检测框架。读者需根据上下文区分，避免混淆。
无监督图级异常检测的统一基准
2024年6月的研究将无监督图级异常检测和图级离群检测统一到广义图级离群检测概念下，并提供了包含35个数据集的综合评估框架，用于比较16种代表性方法。该工作还从有效性、泛化能力、鲁棒性和效率等维度进行分析，并开源代码库以促进可重复性研究。
半监督与少样本方法的进展
GGAD（2024年2月）通过生成模拟异常节点来训练单类分类器，更好地利用已知正常节点，在四个真实数据集上优于无监督和半监督方法。FMGAD（2023年11月）则利用自监督对比学习和深度图神经网络消息增强重构模块，在少样本标签下实现更好性能。两者都致力于在标签有限时提升检测效果。
对比学习在多方法中的核心作用
多篇研究采用对比学习提升图异常检测性能。2022年12月的方法使用多视图、多尺度子图-子图对比增强嵌入鲁棒性；NLGAD（2023年9月）通过多尺度对比学习网络学习正常模式，AUC最多提升5.89%；SL-GAD（2021年8月）结合生成属性回归和多视角对比学习挖掘结构信息。对比学习已成为该领域的重要技术路线。
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。
