qq_40671063的博客

社交网络已成为现代社会的一个重要方面，并逐渐成为世界范围内不可或缺的交流手段。每天都有大量数据通过社交网络传输。因此，确保安全成为一种必要。可疑用户或垃圾邮件发送者可能会对用户在网络上共享的信息和数据构成威胁。有鉴于此，异常值检测是网络通信的一个重要方面。本文提出了一种新技术，利用网络社区结构从全局角度识别网络中的异常情况。一般来说，最先进的异常值检测算法主要关注单个节点及其直接邻域。但我们的技术只考虑那些倾向于属于多个社区的节点，或其邻居属于同一社区或不属于任何社区的节点。

网络异常检测旨在找到与绝大多数行为显着不同的网络元素（例如节点、边、子图）。它对从金融、医疗保健到社交网络分析等各种应用产生了深远的影响。由于难以承受的标签成本，现有方法主要是以无监督的方式开发的。尽管如此，由于缺乏对感兴趣的异常的先验知识，他们识别的异常可能会变成数据噪声或无趣的数据实例。因此，研究和开发网络异常检测的小样本学习至关重要。在现实场景中，很少有标记的异常也很容易在与目标网络相同域的类似网络上访问，而大多数现有工作都忽略了利用它们，而仅仅关注单个网络。

最近，许多欺诈检测模型引入了图神经网络（GNN）来提高模型性能。然而，欺诈者经常通过伪装自己的特征或关系来伪装自己。由于 GNN 的聚合性质，来自输入特征和图结构的信息将被压缩以同时进行表示学习。一方面，由于伪装，并非所有邻居都能提供有用的信息，因此聚合来自所有邻居的信息可能会降低模型的性能。另一方面，由于关系伪装，包含所有邻居的结构并不可靠。在本文中，我们建议将属性学习和结构学习解耦，以避免特征和关系伪装的相互影响。

由于图结构数据的丰富关系信息，基于图的欺诈检测方法最近引起了广泛关注，这可能有利于欺诈者的检测。然而，当节点的标签分布严重倾斜时，基于 GNN 的算法可能表现不佳，并且在金融欺诈等敏感领域很常见。为了解决基于图的欺诈检测的类不平衡问题，我们提出了一种Pick and Choose G raph Neural N etwork（简称PC-GNN）用于图上的不平衡监督学习。首先，使用设计的标签平衡采样器挑选节点和边，以构建用于小批量训练的子图。接下来，对于子图中的每个节点，邻居候选者由建议的。

为了绕过欺诈检测系统，欺诈者经常以他们认为使他们看起来“正常”的方式伪装自己 [10]，[14]。但他们的外表并不符合正常人的本质。事实上恰恰相反；它们的存在会导致不一致，如果您知道要寻找什么，就可以检测到这些不一致。如图 1 所示，图形不一致可以通过三种方式表现出来：（图不一致问题的一个示例。从一个在线产品审查平台中提取出5名普通用户和3名欺诈者。如图1所示，用户及其对产品的评论分别视为节点和节点特性。通过从从关系可以建立节点之间的图形拓扑。

社交机器人检测对于在线社交平台的弹性和安全性至关重要。最先进的检测模型是孤立的，在很大程度上忽略了来自多个跨语言平台的各种数据特征。同时，数据分布和模型结构的异构性使得设计一个有效的跨平台和跨模型检测框架变得非常复杂。在本文中，我们提出了一个新的联邦对抗性对比知识提取框架 FedACK，用于社交机器人检测。我们设计了一种基于 GAN 的联邦知识蒸馏机制，用于在客户端之间有效地传输数据分布的知识。特别是，全局生成器用于提取全局数据分布的知识，并将其提炼到每个客户端的本地模型中。

图的异常检测在网络安全、电子商务和金融欺诈检测等各个领域都发挥着重要作用。然而，现有的图异常检测方法通常考虑单一尺度的图视图，这导致它们从不同角度捕获异常模式的能力有限。为此，我们引入了一种新颖的图形异常检测框架，即 ANEMONE，以同时识别多个图尺度中的异常。具体来说，ANEMONE 首先利用具有多尺度对比学习目标的图神经网络主干编码器，通过同时学习补丁和上下文级别的实例之间的协议来捕获图数据的模式分布。然后，我们的方法采用统计异常估计器从多个角度根据一致程度评估每个节点的异常。

论文阅读 - Generative and Contrastive Self-Supervised Learning for Graph Anomaly Detection

论文阅读-Subgraph Centralization: A Necessary Step for Graph Anomaly Detection

基于图的异常检测已广泛用于检测实际应用程序中的恶意活动。迄今为止，解决这个问题的现有尝试都集中在结构特征工程或二元分类机制的学习上。在这项工作中，我们建议利用图对比学习并提出监督 GraphCAD 模型，以根据它们与全局上下文的距离（例如，所有节点的平均值）将异常节点与正常节点进行对比。为了处理标签稀缺的场景，我们通过设计用于生成合成节点标签的图破坏策略，进一步使 GraphCAD 成为一个自我监督的框架。