生成半监督图异常检测
原文中文,约500字,阅读约需1分钟。发表于: 。本研究提出了一种新颖的半监督场景下的图异常检测方法(GGAD),通过生成能够在本地结构和节点表示中模拟异常节点的异常节点,为训练具有区分性的单类分类器提供有效的负节点样本,从而更好地利用已知的正常节点。在四个真实世界数据集上进行了全面的实验,建立了半监督图异常检测方法的基准,并展示了 GGAD 在不同数量训练正常节点下大大优于最先进的无监督和半监督图异常检测方法。
该研究提出了一种基于动态图的无监督生成式异常检测方法(GADY),用于检测行为明显偏离图和时间信息内观察到的规范的实体。实验证明,GADY在三个现实世界数据集上明显优于先前的方法。