Graph Anomaly Detection via Diffusion Enhanced Multi-View Contrastive Learning

KBS中科院一区Top期刊

Graph Anomaly Detection via Diffusion Enhanced Multi-View Contrastive
Learning

浙江工业大学计算机学院

Abstract

忽略了对比学习中正负采样对的增强方法，会对模型的鲁棒性和准确性产生重大影响。该方法：联合优化基于扩散的增强模块和基于多视图对比学习的模块。

基于扩散的增强模块，使用扩散模型并去噪得到增强的原始图，并将原始图重建损失作为异常检测标准之一。在多视图对比模块，有节点-节点，节点-子图，子图-子图三种对比视图，以更好识别结构空间中的异常。

在6个基准数据集上进行了实验。

Introduction

第一段介绍图数据，图异常检测，异常类型：结构异常和特征异常，并举例说明。

第二段举例说明GAD中的研究，一类方法是根据节点是否偏离特定的模型或规律来判断节点是否异常。一类方法是嵌入的方法，但是应用在大型图上存在挑战。

第三段介绍对比学习方法的发展。并举例说明。

第四段，现有的基于对比学习的方法很少关注正负样本对的挖掘，导致正负样本对的比例可能不平衡。这种不平衡可能导致模型降低泛化能力。忽略了子图在对比策略中的作用。一些研究证明了子图的局部特征和结构信息对基于图的机器学习任务非常有益。子图提供了更细粒度的信息，捕获了在考虑整个图时可能遗漏的局部结构和领域关系。这是因为异常可能表现为子图结构中的细微偏差。子图嵌入可以提高对节点及其邻域之间关系的理解。

第五段，介绍提出的模型DE-GAD，

第六段，介绍main contribution

• 从微观和宏观角度挖掘异常信息

• 设计异常评分方法：包含扩散重建损失和对比学习损失

Related w