Deep Dual Support Vector Data Description for Anomaly Detection on Attributed Networks
Zhengzhou University（郑州大学）；GRG Banking Technology Co., Ltd（广电运通金融电子股份有限公司）；Harbin University of Science and Technology（哈尔滨理工大学）；Minjiang University（闽江学院）
网络在现实世界中普遍存在，如社交网络和通信网络，网络异常检测的目标是发现其结构或属性模式与大多数参考节点显著偏离的节点。然而，传统的异常检测方法大多忽略了数据点之间的关系结构信息，因此不能有效地推广到图结构数据。在本文中，我们提出了一个端到端模型的深度双重支持向量数据描述为基础的自动编码器（Dual-SVDAE）的异常检测属性网络，它考虑了结构和属性的属性网络。具体地说，Dual-SVDAE由一个结构自动编码器和一个属性自动编码器组成，分别学习节点在结构空间和属性空间中的潜在表示。然后，一个双超球学习机制施加到他们学习两个超球的正常节点的结构和属性的角度分别。此外，为了实现网络结构和属性的联合学习，将结构嵌入和属性嵌入融合，作为特征解码器的最终输入，生成节点属性。最后，分别在隐结构空间和属性空间中，通过测量节点到每个超球面学习中心的距离来检测异常节点。在真实属性网络上的大量实验表明，Dual-SVDAE的性能始终优于现有技术，这证明了所提出的方法的有效性。
2021-09-01 cs.LG
Hop-Count Based Self-Supervised Anomaly Detection on Attributed Networks
Eindhoven University of Technology（埃因霍温理工大学）
近年来，由于属性网络的异常检测问题在研究和实践中的重要性，引起了人们极大的兴趣。虽然已经提出了各种方法来解决这个问题，但存在两个主要限制：（1）由于缺乏监督信号，无监督方法通常效率低得多，以及（2）现有的异常检测方法仅使用本地上下文信息来检测异常节点，例如，一跳或两跳信息，但忽略全局上下文信息。由于异常节点与正常节点在结构和属性上存在差异，因此如果我们去除连接异常节点和正常节点的边，则直觉上异常节点与其邻居之间的距离应该大于正常节点与其邻居之间的距离。因此，基于全局和局部上下文信息的跳数可以用作异常的指示器。出于这种直觉，我们提出了一个基于跳数的模型（HCM），通过对本地和全局上下文信息进行建模来检测异常。为了更好地利用跳数进行异常识别，我们建议使用跳数预测作为一个自我监督的任务。我们设计了两个异常分数的基础上通过HCM模型的跳数预测来识别异常。此外，我们使用贝叶斯学习来训练HCM模型，以捕捉学习参数中的不确定性并避免过拟合。在真实属性网络上的大量实验表明，我们提出的模型是有效的异常检测。
2022-07-02 cs.LG cs.SI
LLM-Powered Text-Attributed Graph Anomaly Detection via Retrieval-Augmented Reasoning
University of Southern California（南加州大学）；Capital One（第一资本金融公司）；City College of New York（纽约城市学院）；Brown University（布朗大学）
本文提出基于检索增强推理的LLM驱动文本属性图异常检测框架，通过生成语义连贯但上下文不一致的异常节点，提升异常检测效果。
2025-11-16 cs.AI cs.LG
ADAMM: Anomaly Detection of Attributed Multi-graphs with Metadata: A Unified Neural Network Approach
Heinz College（海因茨学院）；Carnegie Mellon University（卡内基梅隆大学）；Tepper School of Business（泰珀商学院）
提出ADAMM图神经网络模型，通过无监督端到端架构统一融合元数据与图级表示，解决有向多重图异常检测问题，在会计与城市移动数据上验证了优于分离处理基线的检测效果。
2023-11-18 cs.LG
Concept Drift and Anomaly Detection in Graph Streams
Università della Svizzera italiana（瑞士意大利语大学）；Politecnico di Milano（米兰理工大学）；University of Exeter（埃克塞特大学）
图形表示提供了强大而直观的方法来描述众多应用领域中的数据。在这里，我们认为随机过程生成的图形，并提出了一种方法来检测这种过程的平稳性的变化。该方法是通用的，并考虑了一个过程中产生的属性图与一个可变数量的顶点/边，而不需要假设一对一的对应关系，在不同的时间步长的顶点之间。该方法通过将流的每个图嵌入到向量域中来起作用，其中可以容易地应用传统的多变量变化检测过程。我们通过证明几个理论结果来证明我们的建议的合理性。此外，我们提供了一个具体的实施方法，并评估其有效性的几个检测问题，涉及属性图代表生物分子和图纸。实验结果与合适的基线方法进行了对比，证明了我们的方法的有效性。
2018-02-09 cs.LG stat.ML
ADSAGE: Anomaly Detection in Sequences of Attributed Graph Edges applied to insider threat detection at fine-grained level
Atos Information Technology（Atos信息技术公司）；University of Passau（帕绍大学）
以前的作品在CERT内部威胁检测的情况下，忽略了图形和文本功能，尽管它们的相关性来描述用户的行为。此外，现有系统严重依赖于特征工程和审计数据聚合来检测恶意活动。这是耗时的，需要专业知识，并防止追溯警报到精确的用户操作。为了解决这些问题，我们引入ADSAGE来检测异常的审计日志事件建模为图形边缘。我们的一般方法是第一个在边缘级别进行异常检测，同时支持边缘序列和属性，可以是数字，分类，甚至文本。我们描述了ADSAGE如何在CERT用例的不同审计日志中用于细粒度的事件级内部威胁检测。值得注意的是，没有标准的CERT问题的基准，我们使用以前提出的评估设置的基础上现实的召回为基础的指标。我们评估ADSAGE的身份验证，电子邮件流量和来自CERT内部威胁数据集的Web浏览日志，以及真实世界的身份验证事件。ADSAGE可以有效地检测身份验证中的异常，建模为用户与计算机的交互，以及电子邮件通信。简单的基线也会产生令人惊讶的强大结果。我们还报告了CERT数据集中存在的恶意场景的性能分裂：有趣的是，几个检测器是互补的，可以结合起来提高检测。总的来说，我们的研究结果表明，图特征是翔实的恶意内部活动的特征，并在细粒度级别的检测是可能的。
2020-07-14 cs.CR cs.LG stat.ML
Court of LLMs: Evidence-Augmented Generation via Multi-LLM Collaboration for Text-Attributed Graph Anomaly Detection
School of Computer Science and Technology, Xi'an Jiaotong University（计算机科学与技术学院，西安交通大学）；Department of Electrical and Computer Engineering, University of Virginia（电气与计算机工程系，弗吉尼亚大学）；Saw Swee Hock School of Public Health, National University of Singapore（Saw Swee Hock 公共卫生学院，新加坡国立大学）；China Telecom Corporation Ltd. Shaanxi Branch（中国电信股份有限公司陕西分公司）；School of Distance Education, Xi'an Jiaotong University（继续教育学院，西安交通大学）
针对现有文本属性图异常检测方法忽视文本语义、大语言模型难以编码图高阶结构的问题，提出结合多LLM协作证据增强生成与门控GNN的CoLL框架，AP平均提升13.37%。
2025-08-01 cs.LG
AHEAD: A Triple Attention Based Heterogeneous Graph Anomaly Detection Approach
Xi’an Jiaotong University（西安交通大学）；University of Virginia（弗吉尼亚大学）；University of Washington（华盛顿大学）；Ant Financial（蚂蚁金服）
属性网络上的图异常检测因其在许多有影响力的领域中的广泛应用而成为一个热门的研究课题。在现实世界中，属性网络中的节点和边通常表现出明显的异质性，即不同类型节点的属性表现出极大的多样性，不同类型的关系表现出不同的意义。在这些网络的异质性的各种角度来看，异常通常表现得与大多数不同。然而，现有的图异常检测方法没有利用属性网络中的异质性，这是高度相关的异常检测。针对这一问题，我们提出了AHEAD：一种基于编码器-解码器框架的异质性感知无监督图异常检测方法。具体而言，编码器设计了属性级、节点类型级和边级三个层次的注意力，分别用于捕捉网络结构、节点属性和单个节点信息的异质性。在解码器中，我们利用结构，属性和节点类型重建条款，以获得每个节点的异常得分。大量的实验表明，AHEAD的优越性在几个现实世界的异构信息网络相比，在无监督设置的艺术。进一步的实验验证了我们的三重注意力，模型骨干和解码器的有效性和鲁棒性。
2022-08-17 cs.LG cs.SI
Perfect density models cannot guarantee anomaly detection
University of Oxford（牛津大学）；Google Research（谷歌研究院）
由于其可能性的易处理性，一些深度生成模型显示出看似简单但重要的应用前景，如异常检测，不确定性估计和主动学习。然而，经验上归因于异常的可能性值与这些建议的应用所建议的期望相冲突。在本文中，我们通过重新参数化的镜头仔细研究了分布密度的行为，并表明这些量携带的信息比以前认为的更少，超出了估计问题或维数灾难。我们的结论是，使用这些可能性的异常检测依赖于强大的和隐含的假设，并强调明确制定这些假设可靠的异常检测的必要性。
2022-01-15 cs.LG stat.ML
Flex-GAD : Flexible Graph Anomaly Detection
IIT Bhilai（比哈尔理工学院）
检测属性网络中的异常节点，其中每个节点都与结构连接和描述性属性相关联，对于识别社交网络，学术引文图和电子商务平台等领域中的欺诈，错误信息和可疑行为至关重要。我们提出了Flex-GAD，一种新的无监督框架，用于在节点级别进行图异常检测。Flex-GAD集成了两个编码器来捕获图形数据的互补方面。该框架采用了一种新的基于社区的GCN编码器，将社区内和社区间的信息建模到节点嵌入中，从而确保结构的一致性，以及标准的属性编码器。这些不同的表示融合使用基于自我注意力的表示融合模块，它使自适应加权和有效的整合的编码信息。这种融合机制允许跨不同编码器自动强调最相关的节点表示。我们评估Flex-GAD在七个真实世界的属性图具有不同的大小，节点度和属性同质性。Flex-GAD的平均AUC比之前表现最好的方法GAD-NR提高了7.98%，证明了其在不同图形结构中的有效性和灵活性。此外，它还显著缩短了训练时间，在7个基准数据集上，平均每个epoch的运行速度比Anomaly DAE快102倍，比GAD-NR快3倍。
2025-10-29 cs.LG cs.SI
Anomaly Detection in Networks via Score-Based Generative Models
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）；Artificial Intelligence Research Institute（人工智能研究院）
针对属性图中节点离群点检测缺乏通用方法的问题，提出利用基于分数的图生成模型进行检测，在小规模图上取得竞争力结果，并实证分析了狄利克雷能量的重构难点。
2023-06-27 cs.LG
Hyperbolic Self-supervised Contrastive Learning Based Network Anomaly Detection
Tianjin University（天津大学）
属性网络的异常检测是近年来控制论异常检测、金融欺诈检测等领域的研究热点。随着深度学习在图表示上的广泛应用，现有方法选择应用欧几里德图编码器作为其骨干，这可能会丢失重要的层次信息，特别是在复杂网络中。为了解决这个问题，我们提出了一个有效的异常检测框架，使用双曲自监督对比学习。具体来说，我们首先通过执行子图采样来进行数据增强。然后利用双曲空间中的层次信息，通过指数映射和对数映射，通过判别过程，将正对的得分与负对的得分相减，得到异常得分。最后，在四个真实世界的数据集上进行的大量实验表明，我们的方法优于代表性的基线方法。
2022-09-12 cs.LG cs.SI
Anomaly and Change Detection in Graph Streams through Constant-Curvature Manifold Embeddings
Università della Svizzera italiana（意大利语区大学（瑞士提契诺大学））；University of Exeter（埃克塞特大学）；Politecnico di Milano（米兰理工大学）
将复杂的输入数据映射到合适的低维流形是机器学习中的常见过程。该步骤主要由于两个原因是有益的：（1）它降低了数据维度，以及（2）它提供了可能以方便的几何属性为特征的新的数据表示。欧几里得空间是迄今为止使用最广泛的嵌入空间，这要归功于它们的结构和大量可用的统一推理方法。然而，最近的研究表明，许多类型的复杂数据（例如，表示为图形的那些）实际上由非欧几里德几何更好地描述。在这里，我们研究如何嵌入图的常曲率流形（超球面和双曲流形）的能力，以检测属性图序列的变化的影响。所提出的方法包括将图形嵌入到几何空间中，并通过传统的数值流方法进行变化检测。空间的曲率是一个参数，我们学习它来重现原始应用程序相关图空间的几何形状。初步的实验结果表明，通过弯曲的流形，特别是变化和异常检测问题的图形表示的潜在能力。
2018-05-03 cs.LG stat.ML
One-Class Graph Neural Networks for Anomaly Detection in Attributed Networks
Shanghai Jiao Tong University（上海交通大学）；University of California, Berkeley（加利福尼亚大学伯克利分校）
如今，图形结构数据越来越多地用于对复杂系统进行建模。与此同时，从图中检测异常已经成为一个迫切的社会关注的重要研究问题。异常检测是一项无监督学习任务，用于识别与大多数数据不同的稀有数据。单类支持向量机作为一种主流的异常检测算法，被广泛应用于异常点检测。然而，这些传统的异常检测方法在图数据中失去了有效性。由于传统的异常检测方法稳定、鲁棒且易于使用，因此将其推广到图形数据中是非常重要的。在这项工作中，我们提出了一类图神经网络（OCGNN），一类分类框架图异常检测。OCGNN被设计为将图神经网络的强大表示能力与经典的一类目标相结合。与其他基线相比，OCGNN在广泛的实验中取得了显着的改善。
2020-06-06 cs.LG stat.ML
Detect by Yourself: Self-Designing Agentic Workflows for Few-Shot Graph Anomaly Detection
CSU（中国科学技术大学）；UST（香港大学）
提出SignGAD框架，通过自设计任务条件检测工作流替代固定检测器，结合图编码与检测器选择及受保护重拟合策略，提升少样本图异常检测的适应性与可靠性。
2026-05-26 cs.AI cs.LG
Community-based anomaly detection using spectral graph filtering
Universidade Federal de São Paulo (UNIFESP)（圣保罗联邦大学）；Instituto Tecnológico de Aeronáutica (ITA)（航空技术研究所）
一些应用程序具有社区结构，其中相同社区的节点共享相似的属性。网络中异常或离群点检测是一个相关的和广泛研究的研究课题，在各个领域的应用。尽管有大量的异常检测框架，但缺乏同时考虑属性图和网络社区结构的方法。本文提出了一种基于社区的异常检测算法，使用基于谱图的过滤器，包括网络社区结构到拉普拉斯矩阵作为傅立叶变换的基础。此外，滤波器的截止频率的选择考虑社区的数量found. In计算实验中，所提出的策略，称为SpecF，成功地识别即使是离散的异常表现出色。SpecF优于不考虑社区结构的基线，特别是对于社区重叠度较高的网络。此外，我们提出了一个案例研究，以验证所提出的方法来研究COVID-19在巴西圣若泽多斯坎波斯不同地区的传播。
2022-01-24 cs.LG cs.SI
Modeling Topological Impact on Node Attribute Distributions in Attributed Graphs
Department of Electrical Engineering, \'Ecole de Technologie Sup\'erieure (ETS), University of Quebec, Montreal, Canada
本文提出了一种代数方法，用于建模属性图中拓扑对节点属性分布的影响，并通过测试模型验证了其有效性。
2026-02-01 cs.LG
Quick survey of graph-based fraud detection methods
University of Bucharest（布加勒斯特大学）；The Research Institute University of Bucharest (ICUB)（布加勒斯特大学研究院（ICUB））
一般来说，异常检测是区分具有明确定义的模式或签名的正常数据样本和不符合预期轮廓的数据样本的问题。金融交易、客户评论、社交媒体帖子都以关系信息为特征。在这些网络中，欺诈行为可能表现为一个独特的图形边缘，例如垃圾邮件、节点或更大的子图结构，例如当一组客户参与洗钱计划时。最常见的是，这些网络被表示为属性图，数字特征补充了关系信息。我们提出了一个调查的异常检测技术用于欺诈检测，利用图形结构的数据和包含在属性的上下文信息。
2021-01-11 cs.CR cs.LG stat.ML
Deep Graph Stream SVDD: Anomaly Detection in Cyber-Physical Systems
University of Central Florida（中佛罗里达大学）
我们的工作重点是网络物理系统中的异常检测。现有文献有三个局限性：（1）未能捕获系统异常中的长延迟模式;（2）忽略传感器连接的动态变化;（3）高维数据样本的诅咒。这些限制了现有作品的检测性能和实用性。为了解决这些问题，我们提出了一种新的方法，称为深度图流支持向量数据描述（SVDD）的异常检测。具体来说，我们首先使用一个Transformer来保存时间嵌入中的监控数据的短期和长期模式。然后，我们根据传感器类型聚类这些嵌入，并利用它们来估计各种传感器之间的连接变化，以构建一个新的加权图。将时态嵌入作为节点属性映射到新的图中，形成加权属性图。我们将图输入到变分图自动编码器模型中以学习最终的时空表示。最后，我们学习一个包含正常嵌入的超球体，并通过计算超球体和数据样本之间的距离来预测系统状态。大量的实验验证了我们的模型的优越性，它将F1分数提高了35.87%，AUC提高了19.32%，同时在训练和推理方面比最佳基线快了32倍。
2023-02-24 cs.LG
ProTAGAD: A Foundation Model for TAG Anomaly Detection with Decoupled Topological and Textual Prototypes
本文提出ProTAGAD基础模型，通过解耦拓扑与文本原型构建双原型库，缓解传统方法的异常边界模糊问题，在14个基准数据集的跨域场景中实现最先进TAG异常检测性能。
2026-08-12 cs.AI cs.LG
E-ABIN: an Explainable module for Anomaly detection in BIological Networks
Department of Surgical and Medical Sciences（外科与医学科学系）；Magna Graecia University（马格拉西亚大学）；DIMES（迪梅斯）；University of Calabria（卡拉布里亚大学）
本文提出E-ABIN，一个用于生物网络异常检测的可解释框架，结合经典机器学习与图深度学习技术，在统一平台中实现了高预测准确性和可解释性，并成功应用于膀胱癌和乳糜泻案例。
2025-06-25 cs.LG
IDK-S: Incremental Distributional Kernel for Streaming Anomaly Detection
IDK-S通过增量分布核方法实现流异常检测的高准确性和高效处理。
2025-12-05 cs.LG
Explainable Artificial Intelligence for Anomaly Detection in Banking Transactions: An Internal Audit Perspective
针对银行交易异常检测传统方法的局限，本文提出可解释人工智能框架，用隔离森林模型评分，SHAP层提供解释，通过Streamlit仪表板呈现结果，经实验评估性能良好，能提升审计人员信心与决策质量，推动AI在金融环境的实际部署。
2026-07-16 cs.AI cs.LG
NeiGAD: Augmenting Graph Anomaly Detection via Spectral Neighbor Information
College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院）；School of Computer Science and Information Technology, Adelaide University（阿德莱德大学计算机科学与信息学院）；Guangdong Institute of Smart Education, Jinan University（暨南大学广东省智慧教育研究院）；Machine Learning Department, Mohamed Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学机器学习系）
NeiGAD通过谱图分析捕捉邻域信息，提升图异常检测性能，实验表明其在八个真实数据集上均优于现有方法。
2026-03-30 cs.AI cs.LG
DAGAD: Data Augmentation for Graph Anomaly Detection
Macquarie University（麦考瑞大学）；University of Wollongong（伍伦贡大学）；Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院）；Beihang University（北京航空航天大学）；IBM T. J. Watson Research Center（IBM托马斯·J·沃森研究中心）
图异常检测的目的是区分异常节点的行为不同于良性的占大多数的图结构的实例。越来越多的学术界和工业界的关注，但现有的研究这项任务仍然受到两个关键问题时，学习信息异常行为从图数据。一方面，异常通常很难捕捉，因为它们的异常行为是微妙的，并且缺乏关于它们的背景知识，这导致了严重的异常样本稀缺。同时，现实世界图中的绝大多数对象都是正常的，这也带来了类不平衡问题。为了弥补这一差距，本文设计了一种新的基于数据增强的属性图异常检测框架（DAGAD），该框架配备了三个专门设计的模块：1）采用图神经网络编码器来学习表示的信息融合模块，2）用生成的样本来充实训练集的图数据增强模块，以及3）用于区分少数（异常）和多数（正常）类的分布的不平衡定制的学习模块。在三个数据集上进行的一系列实验证明，DAGAD在各种常用指标方面优于十种最先进的基线检测器，同时进行了广泛的消融研究，验证了我们提出的模块的强度。
2022-10-18 cs.LG
GCN-based Multi-task Representation Learning for Anomaly Detection in Attributed Networks
Macquarie University（麦考瑞大学）
属性网络中的异常检测由于其在金融、网络安全、医学等领域的广泛应用，近年来受到了广泛的关注。传统的异常检测方法在属性网络环境下无法有效地解决异常检测问题。这种方法的主要局限性在于它们固有地忽略了数据特征之间的关系信息。随着基于深度学习和图神经网络的技术的迅速发展，由于深度技术在提取复杂关系方面的潜力，在属性网络上发现稀有对象已经取得了重大进展。在本文中，我们提出了一个新的架构异常检测。设计这种架构的主要目标是利用多任务学习来提高检测性能。基于多任务学习的异常检测仍处于起步阶段，现有文献中只有少数研究迎合了这一点。我们结合社区发现和多视图表示学习技术，从属性网络中提取不同的和互补的信息，并随后融合捕获的信息，以实现更好的检测结果。该架构中采用的两个主要组件之间的相互协作，即，社区特定的学习和多视图表示学习，展示了一个有前途的解决方案，以达到更有效的结果。
2022-07-08 cs.LG cs.NE
Text-Attributed Graph Anomaly Detection via Multi-Scale Cross- and Uni-Modal Contrastive Learning
School of Computer Science and Technology, Xi'an Jiaotong University（西安交通大学计算机科学与技术学院）；Shaanxi Provincial Key Laboratory of Big Data Knowledge Engineering, Xi’an Jiaotong University（陕西省大数据知识工程重点实验室）；School of Distance Education, Xi’an Jiaotong University（西安交通大学继续教育学院）；University of Virginia（弗吉尼亚大学）
针对文本属性图异常检测中文本编码与检测目标脱节的问题，提出端到端范式CMUCL，通过多尺度跨模态与单模态对比学习联合训练编码器，结合不一致性挖掘估计异常分数，性能显著优于现有方法，并发布8个专用基准数据集。
2025-08-01 cs.LG
Decoupling anomaly discrimination and representation learning: self-supervised learning for anomaly detection on attributed graph
School of Computer Science and Engineering, Sun Yat-sen University（中山大学计算机科学与工程学院）；School of Software Engineering, Sun Yat-sen University（中山大学软件工程学院）；School of System Science and Engineering, Sun Yat-sen University（中山大学系统科学与工程学院）；Merchants Union Consumer Finance Co., Ltd（招商局联融消费金融股份有限公司）
本文提出DSLAD算法，通过解耦异常判别与表示学习，并采用双线性池化和掩码自编码器构建平衡特征空间，以解决属性图异常检测中的语义混合和长尾分布问题，在六个基准数据集上验证了其有效性。
2023-04-11 cs.AI cs.LG
Bias in Unsupervised Anomaly Detection in Brain MRI
Technical University of Munich（慕尼黑工业大学）；Helmholtz AI（亥姆霍兹人工智能研究所）；Helmholtz Center Munich（亥姆霍兹慕尼黑中心）；King’s College London（伦敦国王学院）；Klinikum Rechts der Isar（伊萨尔河畔临床教学中心）；Imperial College London（帝国理工学院）
该研究针对脑部MRI无监督异常检测中因扫描仪、人口统计学特征等非病理因素导致的分布偏移偏差展开分析，以阿尔茨海默病检测为案例揭示了性别、种族、扫描仪相关的显著偏差，为提升医学影像异常检测的可靠性与公平性提供参考。
2023-08-26 cs.CV cs.LG eess.IV
HACD: Harnessing Attribute Semantics and Mesoscopic Structure for Community Detection
Beijing Information Science and Technology University（北京信息科技大学）；Hong Kong Baptist University（香港浸会大学）
针对属性网络社区检测忽视属性语义相似性和介观结构的问题，提出基于异构图注意力网络的HACD模型，通过属性级注意力与社区成员函数提升检测鲁棒性，实验优于现有方法。
2024-11-04 cs.AI cs.GR cs.LG
Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning
Monash University（莫纳什大学）；Alibaba Group（阿里巴巴集团）；Nanjing University of Science and Technology（南京理工大学）；The Hong Kong Polytechnic University（香港理工大学）；Chinese Academy of Sciences（中国科学院）；University of Minnesota（明尼苏达大学）
由于属性网络在复杂系统建模中的广泛应用，属性网络上的异常检测引起了广泛的研究兴趣。最近，基于深度学习的异常检测方法已经显示出比浅层方法更有希望的结果，特别是在具有高维属性和复杂结构的网络上。然而，现有的方法，采用图形自动编码器作为其骨干，不充分利用丰富的信息的网络，导致次优性能。此外，这些方法在其学习目标中不直接针对异常检测，并且由于完整的图训练机制而无法扩展到大型网络。为了克服这些局限性，在本文中，我们提出了一种新的对比自监督学习框架的异常检测属性网络。我们的框架充分利用网络数据的本地信息，通过采样一种新型的对比实例对，它可以捕获每个节点和它的相邻子结构之间的关系，在无监督的方式。同时，提出了一种基于图神经网络的对比学习模型，用于从高维属性和局部结构中学习信息嵌入，并通过输出得分来衡量每个实例对的一致性。通过对比学习模型的多轮预测得分进一步用于评估每个节点的异常与统计估计。以这种方式，通过特定的异常检测感知目标来训练学习模型。此外，由于图神经网络模块的输入是批量的实例对而不是整个网络，我们的框架可以灵活地适应大型网络。实验结果表明，我们提出的框架优于所有七个基准数据集上的最先进的基线方法。
2021-05-06 cs.LG
SCALA: Sparsification-based Contrastive Learning for Anomaly Detection on Attributed Networks
College of Computer Science and Technology, Harbin Engineering University（哈尔滨工程大学计算机科学与技术学院）；School of Computer Science and Engineering, University of New South Wales（新南威尔士大学计算机科学与工程学院）
针对属性网络异常检测中异常违反同质性及易受噪声扰动的问题，提出基于稀疏化的对比学习框架SCALA，通过引入稀疏化提升节点嵌入质量并提供新的异常分数度量，在五个真实数据集上显著优于所有基线方法。
2024-01-08 cs.CY cs.LG cs.SI
Enhancing Fairness in Unsupervised Graph Anomaly Detection through Disentanglement
Computer Network Information Center, Chinese Academy of Sciences（中国科学院计算机网络信息中心）；University of Chinese Academy of Sciences（中国科学院大学）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）
针对图异常检测中被忽视的公平性问题，提出解耦框架DEFEND，通过在GNN中引入解耦和仅基于属性的重构来消除敏感属性偏见，在保持检测效用的同时显著提升了公平性。
2025-03-03 cs.CY cs.LG cs.SI
Pattern Mining for Anomaly Detection in Graphs: Application to Fraud in Public Procurement
Laboratoire Informatique d’Avignon（阿维尼翁计算机实验室）；Laboratoire Hubert Curien（于贝尔·居西安实验室）
针对公共采购欺诈检测中合同属性缺失、传统表格方法失效的问题，提出基于模式提取的有监督图异常检测框架PANG，可识别导出子图，性能比肩SOTA且可解释，在采购数据上表现更优并能辅助理解欺诈行为。
2023-06-19 cs.AI cs.LG
Reconstruction Enhanced Multi-View Contrastive Learning for Anomaly Detection on Attributed Networks
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；Central South University（中南大学）
针对属性网络异常检测，本文提出联合优化多视图对比学习与掩码自编码器属性重构的自监督框架，并在五个基准上验证其优于现有方法。
2022-05-10 cs.LG
Enhancing Large-Scale AI Training Efficiency: The C4 Solution for Real-Time Anomaly Detection and Communication Optimization
Alibaba Group（阿里巴巴集团）；Hong Kong University of Science and Technology（香港科技大学）
针对大规模分布式训练中硬件故障检测延迟和通信冲突导致的效率低下问题，提出通信驱动的C4方案，利用负载同质性和可预测通信模型实现快速异常定位与流量规划，在实际系统中将效率从30%提升至45%。
2025-05-23 cs.AI cs.DC cs.LG
Online Anomaly Detection with Sparse Gaussian Processes
East China Normal University（华东师范大学）
时间序列数据的在线异常检测是机器学习中一个重要而又具有挑战性的课题。高斯过程（GP）是一种强大而灵活的时间序列数据建模模型。然而，GP的高时间复杂度限制了其在在线异常检测中的应用。概念漂移通常发生在时间序列数据中，由于内部或外部的变化，数据的特征和异常行为的含义会随着时间的推移而发生变化。在线异常检测方法应具有适应概念漂移的能力。基于上述事实，本文提出了带Q函数的稀疏高斯过程方法（SGP-Q）。SGP-Q采用稀疏高斯过程（SGPs），其时间复杂度低于GP，从而显着加快在线异常检测。通过适当地使用Q函数，SGP-Q能很好地适应概念漂移。此外，SGP-Q通过训练数据更新策略，充分利用了训练数据中少量的异常数据，使得稀疏高斯过程回归模型的精度更高，异常检测效果更好。我们在各种人工和真实世界的数据集上评估SGP-Q。实验结果验证了SGP-Q的有效性。
2019-05-14 cs.LG stat.ML
Graph Neural Networks based Log Anomaly Detection and Explanation
Leiden University（莱顿大学）
提出 Logs2Graphs 与 OCDiGCN，将事件日志构建为带属性有向加权图并进行无监督图级异常检测，同时给出关键节点解释，在五个基准上性能优异。
2024-01-24 cs.AI cs.LG cs.SE
Graph Pre-Training Models Are Strong Anomaly Detectors
HKUST（香港科技大学）；HKUST (GZ)（香港科技大学（广州））；Tencent AI Lab（腾讯AI实验室）；DAMO Academy, Alibaba Group（阿里巴巴达摩院）
本文研究图预训练在GAD中的作用，证明其在有限监督下显著优于端到端GNN，并揭示其对远距离、少样本无标注异常的检测优势。
2024-10-24 cs.LG
Inductive Representation Learning in Large Attributed Graphs
Intel Labs（英特尔实验室）；PARC（帕洛阿尔托研究中心）；Google（谷歌）；WPI（伍斯特理工学院）
图（网络）无处不在，允许我们对实体（节点）和它们之间的依赖关系（边）进行建模。从图数据中学习有用的特征表示是许多机器学习任务的核心和成功，例如分类，异常检测，链接预测等。许多现有技术使用随机游动作为学习特征或估计用于下游预测任务的图模型的参数的基础。示例包括最近的节点嵌入方法，如DeepWalk，node2vec以及基于图的深度学习算法。然而，这些方法所使用的简单随机游动从根本上与节点的身份有关。这有三个主要缺点。首先，这些方法本质上是传导性的，不能推广到看不见的节点和其他图。其次，它们不是空间有效的，因为每个节点都要学习一个特征向量，这对于大型图来说是不切实际的。第三，这些方法大多缺乏对属性图的支持。为了使这些方法更普遍适用，我们提出了一个框架，归纳网络表示学习的基础上的概念，属性随机游动，不绑定到节点身份，而是基于学习一个函数$Φ: \mathrm{\rm \bf x} \rightarrow w$，映射节点属性向量$\mathrm{\rm \bf x}$的类型$w$。该框架作为推广现有方法的基础，如DeepWalk，node2vec和许多其他利用传统随机游动的方法。
2017-11-22 cs.AI cs.LG cs.SI
Boundary of Distribution Support Generator (BDSG): Sample Generation on the Boundary
The University of Edinburgh（爱丁堡大学）
生成模型，如生成对抗网络（GANs），已被用于无监督的异常检测。虽然性能不断提高，存在几个限制，特别是由于在捕捉多模态支持的困难和接近的尾部，即分布的支持的边界的基础分布的能力。本文提出了一种方法，试图减轻这些缺点。本文提出了一种基于可逆残差网络的模型--分布支持边界生成器（BDSG）。GANs通常不保证概率分布的存在，在这里，我们使用最近开发的可逆残差网络（IResNet）和残差流（ResFlow）进行密度估计。这些模型尚未用于异常检测。我们利用IResNet和ResFlow进行分布外（OoD）样本检测，并使用复合损失函数在边界上生成样本，该函数迫使样本位于边界上。BDSG解决了非凸支持、不相交分量和多峰分布。合成数据和多峰分布数据（如MNIST和CIFAR-10）的结果表明，与文献中的方法相比，具有竞争力的性能。
2022-02-02 cs.LG stat.ML
FGAN: Federated Generative Adversarial Networks for Anomaly Detection in Network Traffic
BITS Pilani（皮拉尼比尔拉理工学院）
在过去的二十年里，人们在提高网络安全方面做了大量的工作，特别是在入侵检测系统（IDS）和异常检测方面。机器学习解决方案也已被用于IDS中，以检测传入流量中的已知和可能的攻击。诸如分组内容、发送方IP和发送方端口、连接持续时间等的参数先前已被用于训练这些机器学习模型，以学习区分真实流量和恶意流量。生成对抗网络（GANs）在检测此类异常方面取得了显著的成功，这主要归功于生成器和神经网络的对抗训练，试图绕过对方，从而提高自己的能力和准确性。然而，在网络的可能不同区域具有各种各样的流量并且容易受到大量潜在攻击的大型网络中，针对特定类型的异常训练这些GANs可能会使其忽略其他异常和攻击。此外，训练这些模型所需的数据集必须集中提供并公开访问，这就提出了网络各个参与者通信隐私的明显问题。这项工作中提出的解决方案旨在通过在这种规模和容量的网络中使用联邦架构中的GANs来解决上述两个问题。在这样的设置中，网络的不同用户将能够根据他们自己经常面对的条件来训练和定制一个集中可用的对抗模型。同时，网络的成员用户也将能够从网络中的其他用户的体验中获益。
2022-03-21 cs.CR cs.LG
Federated Learning for Anomaly Detection in Energy Consumption Data: Assessing the Vulnerability to Adversarial Attacks
Western University（西安大略大学）
本文评估了联邦学习在能源消耗异常检测中对FGSM和PGD白盒对抗攻击的脆弱性，发现FL比集中式学习更易受攻击，尤其是PGD攻击导致准确率下降超过10%，凸显了联邦学习防御机制的必要性。
2025-02-07 cs.AI cs.DC cs.LG
Feature-Context Consistency: Unsupervised Adversarial Detection with Drift Stability on Attributed Graphs
University of Luxembourg（卢森堡大学）；SnT
本文针对演化属性图对抗检测的标签缺失与分布漂移问题，提出基于特征-上下文一致性的CB-RBM模型，在零标签下实现高检测率与漂移稳定性，性能优于多种基线方法。
2026-10-14 cs.AI cs.LG
Deep Representation Learning for Social Network Analysis
Texas A&M University（得克萨斯农工大学）
社会网络分析是数据采掘中的一个重要问题。分析社交网络的基本步骤是将网络数据编码为低维表示，即，网络嵌入，使网络拓扑结构等属性信息得以有效保存。网络表示学习有助于进一步的应用，如分类，链接预测，异常检测和聚类。此外，基于深度神经网络的技术在过去几年中引起了极大的兴趣。在这项调查中，我们进行了全面的审查，目前的文献中的网络表示学习利用神经网络模型。首先，我们介绍了同构网络中学习节点表示的基本模型。同时，我们还将介绍一些扩展的基础模型，以处理更复杂的场景，如分析属性网络，异构网络和动态网络。然后，我们介绍了嵌入子图的技术。在此基础上，我们介绍了网络表示学习的应用。最后，我们讨论了未来工作的一些有前途的研究方向。
2019-04-18 cs.LG cs.SI stat.ML
