GAD-NR：通过邻域重构进行图形异常检测
摘要：图异常检测(GAD) 是一种用于识别图中异常节点的技术，在网络安全、欺诈检测、社交媒体垃圾检测以及其他领域中有应用。GAD的常用方法是图自编码器(GAE)，它将图数据编码成节点表示，并根据这些表示评估图的重构质量来识别异常。然而，现有的GAE模型主要针对直接链接重构进行优化，导致在潜在空间中连接在一起的节点聚类。因此，它们在检测符合聚类的结构异常时表现出色，但在不符合聚类的更复杂结构异常上表现较差。为了解决这个局限性，我们提出了一种新颖的解决方案，称为GAD-NR，它是GAE的一个新变种，融合了邻域重构进行图异常检测。GAD-NR旨在基于相应的节点表示重构节点的整个邻域，包括局部结构、自身属性和邻居属性。通过比较异常节点和正常节点之间的邻域重建损失，GAD-NR可以有效地检测任何异常。在六个实际数据集上进行的大量实验验证了GAD-NR的有效性，在性能上显示出与最先进竞争对手相比的显著改进(ROC曲线下面积高达30%)。GAD-NR的源代码是公开可用的。重要的是，比较分析揭示了现有方法只能在三种类型的异常中检测到一种或两种类型的异常。相比之下，GAD-NR在数据集中的所有三种类型的异常检测方面表现出色，展示了其全面的异常检测能力。
作者：Amit Roy, Juan Shu, Jia Li, Carl Yang, Olivier Elshocht, Jeroen Smeets and Pan Li
论文ID：2306.01951
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-10