通过多超球异质图学习进行无监督图异常检测

《ACM Transactions on Knowledge Discovery from Data》：Unsupervised Graph Anomaly Detection via Multi-Hypersphere Heterophilic Graph Learning

　　

摘要AI摘要

要查看此AI生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

图异常检测（GAD）在各种数据挖掘应用中发挥着重要作用，例如电子商务欺诈预防和恶意用户检测。最近，基于图神经网络（GNN）的方法在GAD中表现出色，首先将图数据编码为低维表示，然后在监督或无监督信号的指导下识别异常。然而，现有的基于GNN的方法隐含地遵循同质性原则（即“相似者相互吸引”现象），无法为连接大量正常节点的异常学习出具有区分性的嵌入。此外，这些方法从全局统一的角度识别异常，但忽略了基于局部图上下文的多样化异常模式，导致性能不佳。为了克服上述限制，本文提出了一种名为MHetGL（多超球异质图学习）的无监督GAD框架。具体来说，我们首先设计了一个异质图编码（HGE）模块，通过完全无监督的方式净化和增强潜在异常的邻域来学习可区分的表示。然后，我们提出了一个多超球学习（MHL）模块，通过结合全局和局部视角的关键模式来提高对依赖上下文的异常的检测能力。在十一个真实世界数据集上的广泛实验表明，MHetGL的性能优于26个基线方法。我们的代码可在https://github.com/KennyNH/MHetGL公开获取。

AI摘要

AI生成的摘要（实验性）

此摘要是使用自动化工具生成的，未经过文章作者的撰写或审核。它旨在帮助发现、评估相关性，并协助来自相关研究领域的读者理解本文内容。它旨在补充作者提供的摘要，后者仍是文章的官方摘要。完整文章是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。这将为改进和未来重新生成的版本提供参考。

要查看此AI生成的通俗语言摘要，您必须具有高级访问权限。