针对异常的存在导致节点邻域信息不可靠的问题,提出一种高效的无监督图异常检测方法。该方法借助邻域增强策略构建多类型的中心节点的邻域集合,捕捉高质量的节点表示,并获取高准确度的自邻相似度。首先,通过优化一个基于动态邻域增强的...针对异常的存在导致节点邻域信息不可靠的问题,提出一种高效的无监督图异常检测方法。该方法借助邻域增强策略构建多类型的中心节点的邻域集合,捕捉高质量的节点表示,并获取高准确度的自邻相似度。首先,通过优化一个基于动态邻域增强的信息提取模块,自适应地选择最优邻域策略,从而克服传统固定邻域选择方法在信息提取过程中特征单一的局限性;其次,为了降低节点特征融合时自身冗余信息的干扰,提出一种匿名消息传递方案,该方案能够隔离节点自身特征,只专注于邻域信息,从而提高消息聚合的质量;最后,通过设计一种自适应的加权异常评分模块,以节点之间距离作为评估尺度来获取节点的异常度,从而细化异常检测结果。在5个数据集上的实验结果表明,所提方法在应对复杂图结构的异常检测方面的表现优于现有主流方法 CoLA(Anomaly detection on attributed networks via Contrastive self-supervised Learning),其中对异常样本的识别能力指标——AUPRC(Area Under the Precision-Recall Curve)至少提升了8.0%。展开更多
文摘针对异常的存在导致节点邻域信息不可靠的问题,提出一种高效的无监督图异常检测方法。该方法借助邻域增强策略构建多类型的中心节点的邻域集合,捕捉高质量的节点表示,并获取高准确度的自邻相似度。首先,通过优化一个基于动态邻域增强的信息提取模块,自适应地选择最优邻域策略,从而克服传统固定邻域选择方法在信息提取过程中特征单一的局限性;其次,为了降低节点特征融合时自身冗余信息的干扰,提出一种匿名消息传递方案,该方案能够隔离节点自身特征,只专注于邻域信息,从而提高消息聚合的质量;最后,通过设计一种自适应的加权异常评分模块,以节点之间距离作为评估尺度来获取节点的异常度,从而细化异常检测结果。在5个数据集上的实验结果表明,所提方法在应对复杂图结构的异常检测方面的表现优于现有主流方法 CoLA(Anomaly detection on attributed networks via Contrastive self-supervised Learning),其中对异常样本的识别能力指标——AUPRC(Area Under the Precision-Recall Curve)至少提升了8.0%。
