SECODA: Segmentation- and Combination-Based Detection of Anomalies
UWV（荷兰乌得勒支工作与收入机构）
本研究介绍SECODA，一种新的通用无监督非参数异常检测算法的数据集包含连续和分类属性。该方法保证识别具有唯一或稀疏属性值组合的情况。连续属性被反复离散化，以便正确确定这种值组合的频率。星座的概念，指数增长的权重和离散化切割点，以及修剪启发式的最佳迭代次数来检测异常。此外，该算法具有较低的内存印记，其运行时性能与数据集的大小呈线性关系。模拟和真实数据集的评估表明，该算法能够识别许多不同类型的异常，包括复杂的多维实例。对一个真实数据集的数据质量用例的评估表明，SECODA可以为现实世界的设置带来相关和实用的价值。
2020-08-16 cs.AI cs.DB cs.LG
Towards Anomaly Detection on Relational Data
Griffith University（格里菲斯大学）；Guangxi University（广西大学）
提出RelAD框架，通过条件稀疏门控属性重建和双视图多关系边重建，有效检测关系数据中的属性异常和连接模式异常，在6个基准数据集上优于现有方法。
2026-08-04 cs.LG
Double-Adversarial Activation Anomaly Detection: Adversarial Autoencoders are Anomaly Generators
Fraunhofer AISEC（弗劳恩霍夫应用与集成安全研究所）
提出DA3D方法，利用对抗自编码器仅从正常数据生成人工异常，将无监督异常检测转化为有监督任务，并以纯数据驱动方式超越现有最先进方法。
2024-01-14 cs.CR cs.LG
CurvGAD: Leveraging Curvature for Enhanced Graph Anomaly Detection
Carnegie Mellon University（卡内基梅隆大学）
CurvGAD 提出混合曲率图自编码器，通过曲率等变几何重建和曲率不变结构与属性重建两条并行流水线，利用网络内在曲率识别几何异常并解耦非几何异常，在 10 个真实数据集上相比最先进 GAD 方法提升最高 6.5%。
2025-06-04 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
The Impact of Discretization Method on the Detection of Six Types of Anomalies in Datasets
UWV（荷兰乌得勒支卫生保健与青年服务局）
异常检测是识别案例或案例组的过程，这些案例或案例组在某种程度上是不寻常的，并且不符合数据集中存在的一般模式。许多算法在其检测过程中使用数值数据的离散化。本研究探讨了离散化方法对最近的数据异常类型学中承认的六种异常类型中的每一种的无监督检测的影响。为此，实验进行了各种数据集和SECODA，一个通用的算法，用于无监督的非参数异常检测数据集的数值和分类属性。该算法采用连续属性的离散化、指数增加的权重和离散化截点以及修剪启发式算法来以最佳迭代次数检测异常。结果表明，标准SECODA可以检测所有六种类型，但不同的离散化方法有利于发现某些异常类型。主要的发现也适用于其他使用离散化的检测技术。
2020-08-27 cs.AI cs.DB cs.LG
SpecAE: Spectral AutoEncoder for Anomaly Detection in Attributed Networks
Texas A&M University（德州农工大学）；University of Virginia（弗吉尼亚大学）
异常检测的目的是区分罕见的和不同于大多数的观察。虽然大多数现有算法假设实例是独立同分布的，在许多实际情况下，描述实例到实例依赖性和交互的链接是可用的。这样的系统被称为属性网络。属性网络中的异常检测具有各种应用，例如监控社交媒体中的可疑账户和交易网络中的金融欺诈。然而，它仍然是一个具有挑战性的任务，因为异常的定义变得更加复杂，拓扑结构是异构的节点属性。在本文中，我们提出了一个光谱卷积和反卷积为基础的框架- SpecAE，投影属性网络到一个定制的空间，以检测全球和社区的异常。SpecAE利用拉普拉斯锐化来放大异常表示与大多数表示之间的距离。学习的表示连同重构误差与密度估计模型组合以执行检测。它们作为一个端到端框架共同接受培训。在真实数据集上的实验证明了SpecAE的有效性。
2019-10-09 cs.LG stat.ML
Semi-supervised Anomaly Detection on Attributed Graphs
NTT Software Innovation Center（NTT软件创新中心）；NTT Secure Platform Laboratories（NTT安全平台实验室）；NTT Communication Science Laboratories（NTT通信科学实验室）
我们提出了一个简单而有效的方法来检测异常的情况下，属性图的标签信息的少数实例。虽然标准的异常检测方法通常假设实例是独立且同分布的，但在许多现实世界的应用中，实例通常彼此显式连接，从而产生所谓的属性图。所提出的方法通过考虑节点的属性以及基于图卷积网络（GCN）的图结构，将节点（实例）嵌入到潜在空间中的属性图上。为了学习专门用于异常检测的节点嵌入，其中由于异常的罕见性而存在类不平衡，GCN的参数被训练为最小化超球体的体积，该超球体包围正常实例的节点嵌入，同时将异常嵌入超球体之外。这使我们能够通过简单地计算节点嵌入和超球中心之间的距离来检测异常。该方法通过考虑节点的属性、图结构和类的不平衡性，可以有效地将少量节点上的标签信息传播给未标记的节点。在五个真实世界的属性图数据集的实验中，我们证明了所提出的方法比各种现有的异常检测方法实现了更好的性能。
2020-02-27 cs.LG stat.ML
Graph Anomaly Detection with Graph Neural Networks: Current Status and Challenges
Chungnam National University（忠南国立大学）；University of Vermont（佛蒙特大学）；Yonsei University（延世大学）；Pohang University of Science and Technology（浦项科技大学）
图被广泛地用于复杂系统的建模，而图中的异常检测是复杂系统分析中的一项重要任务。图异常是图中不符合图的属性和/或结构所期望的正常模式的模式。近年来，图神经网络（GNN）已经被广泛研究，并且由于经由有效学习图表示的消息传递的高度表达能力，已经成功地在节点分类、链接预测和图分类中执行困难的机器学习任务。为了解决图异常检测问题，基于GNN的方法利用关于图属性（或特征）和/或结构的信息来学习适当地对异常进行评分。在这项调查中，我们回顾了最近的进展，在检测图异常使用GNN模型。具体来说，我们根据图类型（即，静态和动态），异常类型（即，节点、边、子图和整个图），以及网络体系结构（例如，图自动编码器、图卷积网络）。据我们所知，这项调查是第一次全面审查基于GNNs的图异常检测方法。
2022-10-04 cs.AI cs.LG cs.SI
GraphSAC: Detecting anomalies in large-scale graphs
Heinz College of Information Systems and Public Policy, Carnegie Mellon University（卡内基梅隆大学海因茨信息系统与公共政策学院）
为了有效地检测大规模图中的异常节点，提出了一种基于图的采样和一致性（GraphSAC）方法.现有的方法依赖于所有节点的连接性和属性来为每个节点分配异常分数。然而，节点属性和网络链路可能会受到对手的损害，使这些整体方法变得脆弱。为了缓解这一限制，GraphSAC随机绘制节点子集，并在采用半监督学习（SSL）模块来估计每个节点的标称标签分布之前，依靠图形感知标准来明智地过滤出被异常节点污染的集合。这些学习的标称分布受异常节点的影响最小，因此可以直接用于异常检测。严格的分析通过限制所需的绘制次数为GraphSAC提供了性能保证。每次绘制的复杂性随着边的数量线性增长，这意味着高效的SSL，而绘制可以并行运行，从而确保大型图形的可扩展性。GraphSAC在不同的异常生成模型下进行了测试，这些模型基于随机游走、聚类异常以及图数据的当代对抗攻击。使用真实世界图形的实验展示了GraphSAC相对于最先进的替代方案的优势。
2019-10-21 cs.LG stat.ML
Large Language Model as Attributed Training Data Generator: A Tale of Diversity and Bias
Georgia Institute of Technology（佐治亚理工学院）；University of Washington（华盛顿大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Google Research（谷歌研究院）
研究提出使用多样化属性提示生成训练数据，以克服简单类条件提示导致的多样性受限和系统性偏差问题，在提升模型性能的同时显著降低查询成本。
2023-10-18 cs.AI cs.CL cs.LG
Data Imputation through the Identification of Local Anomalies
Bilkent University（比尔肯特大学）；Aselsan（阿瑟尔桑）；Middle East Technical University（中东技术大学）
我们在无模型设置中引入了一个全面的统计框架，用于完全处理由于严重噪声源而导致的局部数据损坏，例如，在视觉记录的情况下的遮光器。在这个框架内，我们提出了i）一种新的算法来有效地分离，即，检测和定位来自给定可疑数据实例的可能的损坏，以及ii）最大后验（MAP）估计器，以估算损坏的数据。作为对欧氏距离的推广，我们还提出了一种新的距离度量，该距离度量基于数据属性之间的排名偏差，并在分离腐败方面具有优越性。我们的算法首先通过在数据属性空间中的二叉划分树将可疑实例分成多个部分，并使用从未损坏（干净）的参考数据集提取的标称统计数据迭代测试这些部分以检测局部异常。一旦每个部件被标记为异常与正常，则识别出该树上表征损坏的对应二进制模式，并估算受影响的属性。在一定的条件独立结构假设的二进制模式下，我们分析表明，引入的算法在检测腐败的虚警率是独立的数据，可以直接设置没有任何参数调整。所提出的框架进行了测试，在几个著名的机器学习数据集与合成生成的腐败，并通过实验证明，产生显着的改进，在分类的目的与强大的腐败分离能力。我们的实验还表明，所提出的算法优于典型的方法，是强大的不同的训练阶段条件。
2014-09-30 cs.LG stat.ML
Tab-Shapley: Identifying Top-k Tabular Data Quality Insights
IIT Gandhinagar（甘地讷格尔印度理工学院）；IIT Bombay（孟买印度理工学院）；Adobe Research（奥多比研究院）
针对表格数据异常洞察识别中无标签、搜索空间大、属性依赖复杂的问题，提出基于合作博弈论的Tab-Shapley框架，用有闭式解的Shapley值量化属性异常贡献，经真实数据集验证有效。
2025-01-12 cs.LG stat.ML
Generative and Contrastive Self-Supervised Learning for Graph Anomaly Detection
La Trobe University（乐卓博大学）；Monash University（蒙纳士大学）
基于图数据的异常检测在网络安全、金融、社交网络等关键应用中具有重要的实际意义，因此受到广泛关注。现有的数据采掘和机器学习方法要么是肤浅的方法，不能有效地捕捉复杂的相互依赖的图数据或图自动编码器的方法，不能充分利用上下文信息作为监督信号，有效的异常检测。为了克服这些挑战，在本文中，我们提出了一种新的方法，自监督学习图异常检测（SL-GAD）。我们的方法构建不同的上下文子图（视图）的基础上的目标节点，并采用两个模块，生成属性回归和多视图对比学习的异常检测。而生成属性回归模块允许我们捕获属性空间中的异常，多视图对比学习模块可以从多个子图中利用更丰富的结构信息，从而能够捕获结构空间中的异常，混合结构和属性信息。我们在六个基准数据集上进行了广泛的实验，结果表明，我们的方法比最先进的方法有很大的优势。
2022-01-23 cs.LG
Unsupervised Contextual Anomaly Detection using Joint Deep Variational Generative Models
提出了一种用于无监督上下文异常检测的方法，该方法使用交叉链接的变分自动编码器对来为观察分配正态性分数。该方法能够将上下文属性与行为属性区分开，并且对于异常或新颖的上下文属性的存在是鲁棒的。该方法可以用包含异常的数据集进行训练，而无需任何特殊的预处理。
2019-04-01 cs.LG stat.ML
Detecting Anomalous Events in Object-centric Business Processes via Graph Neural Networks
University of Amsterdam（阿姆斯特丹大学）
针对传统扁平化事件日志难以表达多案例关联的问题，提出结合以对象为中心的流程挖掘与图卷积自编码器的异常检测框架，在活动类型和属性层面取得良好效果。
2024-02-14 cs.DB cs.LG q-fin.ST
Open-Set Graph Anomaly Detection via Normal Structure Regularisation
Monash University（蒙纳士大学）；Singapore Management University（新加坡管理大学）；The University of Tokyo（东京大学）；The University of Melbourne（墨尔本大学）
针对开放集图异常检测中未知异常易被漏检的问题，提出正常结构正则化方法，利用结构关系学习正常表示，避免过拟合已知异常，在七个数据集上显著提升检测性能。
2025-06-20 cs.AI cs.LG cs.SI
ResGCN: Attention-based Deep Residual Modeling for Anomaly Detection on Attributed Networks
Eindhoven University of Technology（埃因霍温理工大学）；Cooperatieve Rabobank U.A.（拉博银行）
有效地检测属性网络中的异常节点对于许多实际应用的成功至关重要，例如欺诈和入侵检测。现有的方法有三个主要问题的困难：稀疏性和非线性捕获，残差建模和网络平滑。我们提出了残差图卷积网络（ResGCN），这是一种基于注意力的深度残差建模方法，可以解决这些问题：使用GCN对属性网络进行建模可以捕获稀疏性和非线性;利用深度神经网络可以直接从输入中学习残差，基于残差的注意力机制可以减少异常节点的不利影响并防止过度平滑。在几个真实世界的属性网络上进行的大量实验证明了ResGCN在检测异常方面的有效性。
2020-09-30 cs.LG stat.ML
GAD-NR: Graph Anomaly Detection via Neighborhood Reconstruction
Purdue University（普渡大学）；HKUST（香港科技大学）；Emory University（埃默里大学）；Sony（索尼公司）；Georgia Institute of Technology（佐治亚理工学院）
针对图自编码器仅依赖直接链接重构导致难以检测非聚类复杂结构异常的问题，提出GAD-NR方法，通过重构节点邻域的局部结构与属性来计算重构损失，实现对三种异常的全面检测，AUC最高提升30%。
2025-01-25 cs.LG
Improved Molecular Generation through Attribute-Driven Integrative Embeddings and GAN Selectivity
Whiting School of Engineering EP Program（韦廷工程学院EP项目）；Johns Hopkins University（约翰霍普金斯大学）
本文提出结合基于transformer的属性驱动集成嵌入生成器与改进损失函数的GAN，实现高准确率且具特定属性的分子生成，成功验证于新型气味分子的定向生成。
2025-04-26 cs.AI cs.LG
Image-to-image Mapping with Many Domains by Sparse Attribute Transfer
Yale University（耶鲁大学）；Université de Montréal（蒙特利尔大学）；Mila（米拉研究所）
无监督的图像到图像的翻译包括学习两个域之间的一对映射，而点之间没有已知的成对对应关系。目前的惯例是使用周期一致的GANs来完成这项任务：使用一个映射来鼓励生成器改变图像以匹配目标域，同时训练生成器使用另一个映射进行反转。虽然以成对的反函数结束可能是一个很好的最终结果，但在训练期间始终强制执行此限制可能会阻碍有效的建模。我们提出了一种替代方法，直接限制发电机执行一个简单的稀疏变换在一个潜在的层，最近的工作从认知神经科学的动机，提出了一个建筑之前表示对应的意识。我们的生物学动机的方法导致表示更容易转换，通过解开高层次的抽象概念的潜在空间。我们证明，图像到图像域翻译与许多不同的领域可以更有效地学习与我们的架构约束，简单的转换比以前的无约束架构，依赖于周期一致性损失。
2020-06-23 cs.CV cs.LG eess.IV
PIDForest: Anomaly Detection via Partial Identification
VMware Research（威睿研究院）；Stanford University（斯坦福大学）
我们考虑在一个大的数据集中检测异常的问题。我们提出了一个框架，称为部分识别捕捉的直觉，异常是很容易区分的绝大多数点相对较少的属性值。形式化这种直觉，我们提出了一个点，我们称之为PIDScore，它测量的数据点的最小密度在所有包含该点的子立方体的几何异常措施。我们提出PIDForest：一个基于随机森林的算法，发现基于此定义的异常。我们表明，它表现良好的几个流行的异常检测方法相比，在广泛的基准。PIDForest还通过提供一组在数据集中相对不常见的特征和范围，为为什么一个点被标记为异常提供了一个简洁的解释。
2019-12-08 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
Information-theoretic stochastic contrastive conditional GAN: InfoSCC-GAN
University of Geneva（日内瓦大学）
条件生成是生成问题的一个子类，其中生成的输出是由属性信息条件。在本文中，我们提出了一个随机对比条件生成对抗网络（InfoSCC-GAN）与可探索的潜在空间。InfoSCC-GAN架构基于InfoNCE范式构建的无监督对比编码器，属性分类器和EigenGAN生成器。我们提出了一种新的训练方法，基于发电机正则化使用外部或内部属性的每$n$次迭代，使用一个预先训练的对比编码器和一个预先训练的分类器。所提出的InfoSCC-GAN是基于输入数据和潜在空间表示以及潜在空间和生成数据之间的互信息最大化的信息理论公式推导出来的。因此，我们证明了训练目标函数和上述信息理论公式之间的联系。实验结果表明，InfoSCC-GAN在AFHQ和CelebA数据集上的图像生成性能优于“香草”EigenGAN。此外，我们还通过消融研究调查了消融结构和损失函数的影响。最后，我们证明了由于EigenGAN生成器，所提出的框架与香草确定性GANs相比具有随机生成，但与现有框架相比，编码器，分类器和生成器的独立训练。代码、实验结果和演示可在https://github.com/vkinakh/InfoSCC-GAN上获得。
2021-12-17 cs.CV cs.LG
Controllable Text-to-Image Generation
University of Oxford（牛津大学）
在本文中，我们提出了一种新的可控的文本到图像的生成对抗网络（ControlGAN），它可以有效地合成高质量的图像，并根据自然语言描述控制部分图像生成。为了实现这一目标，我们引入了一个词级空间和通道的注意力驱动的生成器，可以解开不同的视觉属性，并允许模型专注于生成和操纵对应于最相关的单词的子区域。此外，提出了一个字级的监督反馈提供细粒度的监督反馈，通过相关的话与图像区域，促进训练一个有效的生成器，能够操纵特定的视觉属性，而不影响其他内容的生成。此外，感知损失被用来减少图像生成中的随机性，并鼓励生成器操纵修改文本中所需的特定属性。在基准数据集上的大量实验表明，我们的方法优于现有的最先进的，并且能够有效地操纵合成图像使用自然语言描述。代码可在https://github.com/mrlibw/ControlGAN上获得。
2019-12-19 cs.CL cs.CV cs.LG
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
Detection of Anomalies in Large Scale Accounting Data using Deep Autoencoder Networks
German Research Center for Artificial Intelligence (DFKI) GmbH（德国人工智能研究中心（DFKI）有限公司）；PricewaterhouseCoopers (PwC) GmbH（普华永道（PwC）有限公司）
学习如何在大规模会计数据中发现欺诈是财务报表审计或欺诈调查中的长期挑战之一。如今，大多数应用技术都是指从已知的欺诈场景中导出的手工规则。虽然相当成功，但这些规则表现出的缺点是，它们往往无法推广到已知的欺诈场景之外，欺诈者逐渐找到规避它们的方法。为了克服这一缺点，并受到深度学习最近成功的启发，我们提出了深度自动编码器神经网络的应用，以检测异常日志条目。我们证明，训练后的网络的重建误差可获得的日志条目和条目的个人属性概率正则化可以被解释为一个高度自适应的异常评估。在两个真实世界的期刊条目数据集上的实验表明，与最先进的基线方法相比，该方法的有效性导致了32.93（数据集A）和16.95（数据集B）的高f1分数以及更少的假阳性警报。特许会计师和欺诈审查员收到的初步反馈意见证实了这一方法在捕捉高度相关的会计异常现象方面的质量。
2018-08-01 cs.CE cs.LG
AnomalyDAE: Dual autoencoder for anomaly detection on attributed networks
Harbin University of Science and Technology（哈尔滨理工大学）；Minjiang University（闽江学院）
属性网络异常检测的目标是发现模式与大多数参考节点有显著偏离的节点，这在网络入侵检测和社交垃圾邮件检测等应用中非常普遍。然而，大多数现有的方法忽略了网络结构和节点属性之间复杂的跨模态相互作用。在本文中，我们提出了一个深度联合表示学习框架，用于通过双自动编码器（AnomalyDAE）进行异常检测，该框架捕获网络结构和节点属性之间的复杂交互，以获得高质量的嵌入。具体而言，AnomalyDAE由结构自动编码器和属性自动编码器组成，以在潜在空间中联合学习节点嵌入和属性嵌入。此外，在结构编码器中引入注意力机制，学习节点与其邻居节点之间的重要性，从而有效地捕获结构模式，这对异常检测具有重要意义。此外，通过将节点嵌入和属性嵌入作为属性解码器的输入，在节点属性重构过程中学习网络结构和节点属性之间的跨模态交互。最后，通过从结构和属性两个角度测量节点的重构误差，可以检测异常。在真实数据集上的大量实验证明了该方法的有效性。
2020-02-12 cs.LG stat.ML
Exploiting video sequences for unsupervised disentangling in generative adversarial networks
UNR-CONICET（国立罗萨里奥大学-阿根廷国家科学与技术研究理事会）
在这项工作中，我们提出了一种对抗性训练算法，该算法利用视频中的相关性来学习-没有监督-具有解开的潜在空间的图像生成器模型。所提出的方法只需要对生成对抗网络（GAN）的标准算法进行一些修改，并且涉及使用从短视频中获取的帧集进行训练。我们在两个以面部为中心的视频数据集上训练我们的模型，这些视频呈现不同的人说话或移动头部：VidTIMIT和YouTube Faces数据集。我们发现，我们的建议允许我们将生成器潜在空间分成两个子空间。其中一个控制内容属性，这些属性不会随着短视频序列而改变。对于所考虑的数据集，这是所生成的面部的身份。另一个子空间控制运动属性，这些属性被观察到沿着短视频变化。我们观察到，这些运动属性是面部表情，头部方向，嘴唇和眼睛的运动。所提出的实验提供了定量和定性的证据支持，所提出的方法诱导解开这两种属性的潜在空间。
2019-10-16 cs.CV cs.LG stat.ML
Node Attribute Generation on Graphs
图结构化数据提供两方面的信息：图结构和节点属性。许多基于图的算法依赖于这两种信息来成功完成监督任务，例如节点分类和链接预测。然而，节点属性可能丢失或不完整，这会显着降低性能。节点属性生成的任务是为那些属性完全不可观测的节点生成属性。这个任务有利于许多现实世界的问题，如分析，节点分类和图形数据增强。为了解决这个问题，我们提出了一种基于深度对抗学习的方法来生成节点属性;称为节点属性神经生成器（NANG）。NANG学习了一个统一的潜在表示，它由节点属性和图结构共享，可以转换为不同的模态。因此，我们使用这种潜在的表征作为桥梁，将信息从一种模态转换为另一种模态。我们进一步介绍了实际的应用程序来量化节点属性生成的性能。在四个真实数据集上进行了大量的实验，实验结果表明，该方法生成的节点属性是高质量的，有利于其他应用。数据集和代码可在线获取。
2019-07-23 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
Learning-Based Link Anomaly Detection in Continuous-Time Dynamic Graphs
EPFL（洛桑联邦理工学院）；Huawei Technologies（华为技术有限公司）
本文提出连续时间动态图中链路级异常检测的细粒度分类体系、类型化异常注入与动态图生成方法，并通过扩展链路预测设置和基准实验验证了不同学习方法在检测各类异常上的差异与有效性。
2024-09-28 cs.AI cs.CR cs.LG
