机构名称：
¥ 1.0
摘要 —本文的图异常检测旨在区分行为方式与占图结构实例大多数的良性节点不同的异常节点。图异常检测受到学术界和工业界越来越多的关注，然而，现有的该任务研究在从图数据中学习信息异常行为时仍然存在两个关键问题。一方面，异常通常很难捕捉，因为它们的异常行为很微妙，而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，这也带来了类别不平衡问题。为了弥补这一差距，本文设计了一种新的基于数据增强的图异常检测（DAGAD）框架，用于属性图，配备了三个专门设计的模块：1）使用图神经网络编码器学习表示的信息融合模块，2）使用生成的样本为训练集提供信息的图数据增强模块，3）不平衡定制学习模块，用于区分少数（异常）和多数（正常）类别的分布。在三个数据集上进行的一系列实验证明，DAGAD 在各种最常用的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。索引术语——异常检测、图挖掘、数据增强、异常样本稀缺性、类别不平衡、图神经网络、半监督学习
DAGAD：用于图形异常检测的数据增强
主要关键词
相关文件推荐
