生成半监督图异常检测
内容提要
本文综述图异常检测研究进展，涵盖SL-GAD、NLGAD、AugAN、GADY、AGAD、ADA-GAD等方法，分别采用生成回归、多视角对比学习、数据增强、动态图建模、对抗生成和双阶段框架，以提升检测性能与泛化能力。
延伸解读
方法演进：从生成回归到多视角融合
文章梳理了图异常检测方法的演进脉络：早期SL-GAD结合生成属性回归与多视角对比学习；随后NLGAD通过多尺度对比学习提升性能；AugAN和AGAD利用数据增强与对抗生成解决泛化问题；GADY针对动态图提出连续动态图模型和生成对抗负采样；ADA-GAD采用双阶段框架减轻异常过拟合。这些方法反映了从静态到动态、从单一视角到多视角融合的趋势。
动态图检测的挑战与GADY的应对
动态图异常检测面临两大挑战：难以捕捉带有复杂时间信息的图结构，以及无法构建优秀的负样本用于无监督学习。GADY通过连续动态图模型结合消息传递和位置特征获得边缘嵌入，并首次使用生成对抗网络生成负交互，同时设计损失函数确保生成样本的多样性和质量。实验表明GADY在三个真实数据集上优于先前最先进方法。
数据增强与对抗生成解决泛化难题
针对半监督图异常检测的泛化问题，AugAN通过数据增强提高模型通用性，有效检测训练和测试数据中的异常。AGAD则利用大规模正常数据生成上下文对抗信息，构造伪异常数据，解决了异常数据获取困难的问题，显著提升了半监督和有限监督情况下的检测准确率。这两种方法都致力于在异常样本稀缺时增强模型的泛化能力。
开放世界与多视图融合的新方向
近期研究关注开放世界场景：正常结构规范化方法利用标记节点中的正常图结构，改善检测未见异常的泛化性能；多视图融合方法结合视角级和特征级融合，在多个数据集上表现出更优的检测性能和泛化能力。这些方向表明，图异常检测正从封闭环境向开放环境、从单视图向多视图融合拓展。
Q&A
SL-GAD 方法是如何进行图异常检测的？
SL-GAD 利用生成属性回归模块捕捉属性空间中的异常，并通过多视角对比学习模块从多个子图中挖掘丰富的结构信息来检测结构空间中的异常。实验表明该方法优于现有方法。
NLGAD 在图异常检测中有什么优势？
NLGAD 通过多尺度对比学习网络学习正常模式，构建了基于正常性学习的图异常检测框架，相较于现有算法提高了检测性能，最多可获得 5.89% 的 AUC 增益。
AugAN 方法解决了半监督图异常检测中的什么问题？
AugAN 是一种基于数据增强的半监督学习方法，用于解决现有半监督图异常检测方法的泛化问题，并进一步提高模型的泛化能力，从而有效检测训练和测试数据中存在的异常。
GADY 如何应对动态图异常检测中的挑战？
GADY 针对动态结构构建挑战，提出了连续动态图模型，采用消息传递框架结合位置特征获得边缘嵌入，通过解码识别异常；针对负采样挑战，首次使用生成对抗网络生成负交互，并设计损失函数确保生成样本的多样性和质量。
AGAD 方法如何生成伪异常数据？
AGAD 利用大规模正常数据生成上下文对抗信息，从而生成伪异常数据，解决了异常数据获取困难的问题，显著提高了半监督和有限监督情况下的检测准确率。
ADA-GAD 框架是如何减轻异常过拟合问题的？
ADA-GAD 是一种双阶段框架，通过减少异常级别并利用多层级表示进行预训练和检测，同时使用节点异常分布正则化来进一步减轻异常过拟合问题。
