FOND：用于公平图异常检测的细粒度边界挖掘与双桥接方法

《IEEE Transactions on Knowledge and Data Engineering》：FOND: Fine-Grained Boundary Mining With Dual Bridging for Fair Graph Anomaly Detection

摘要：图异常检测因在社会网络分析和金融欺诈检测中的广泛应用而受到越来越多的关注。近期工作通常采用图神经网络（GNNs）为不同节点分配异常分数。尽管取得了广泛进展，现有方法在检测过程中仍可能产生伦理风险。为此，我们研究了公平感知的图异常检测问题，并提出了一种名为Fine-gra

　　摘要：图异常检测因在社会网络分析和金融欺诈检测中的广泛应用而受到越来越多的关注。近期工作通常采用图神经网络（GNNs）为不同节点分配异常分数。尽管取得了广泛进展，现有方法在检测过程中仍可能产生伦理风险。为此，我们研究了公平感知的图异常检测问题，并提出了一种名为<下划线>Fine-grained B<下划线>oundary Mi<下划线>ning with <下划线>Dual Bridging（FOND）的新框架来解决该问题。我们FOND的核心在于探索细粒度语义以实现有效的异常检测。具体而言，我们的FOND首先通过学习聚类将正常节点划分为若干组，每组具有不同的细粒度语义，并与一个组特定的分类器相关联，以确定属于该组的节点嵌入的边界。为了增强检测过程中的公平性，我们不仅最小化具有不同敏感属性的条件组原型之间的差异，还增强了具有相同目标标签的节点与其敏感对应节点之间的连通性。为了检测异常样本，我们采用两阶段范式，首先确定每个节点的潜在原型，然后借助组特定的分类器。在各种基准数据集上的大量实验验证了我们提出的FOND与竞争的最先进基线相比的有效性。I. 引言图结构自然地对各种现实世界的数据关系进行建模，例如社会网络[1]、[2]和金融交易[3]、[4]。随着图学习技术的出现，特别是图神经网络（GNNs）[5]，在图相关任务中取得了显著进展，包括节点分类[6]、[7]和链路预测[8]、[9]。这是通过对图结构数据中节点之间的复杂关系进行建模，探索拓扑结构与节点属性之间的相关性，从而揭示数据中的潜在模式来实现的。该领域日益增长的关注点是图异常检测（GAD）[10]、[11]，其旨在识别行为显著偏离正常状态的节点。然而，由于节点之间的复杂相互依赖性以及实际中现实世界图的固有稀疏性，这一任务仍然具有挑战性[12]。