跨域图异常检测通过带标签的源图辅助无标签目标图,提升了异常节点检测的准确性,进而有效降低了无监督图异常检测中的高误报率。尽管已有多种领域自适应方法被相继提出,但图数据复杂的拓扑结构与节点属性之间的关系使得源图与目标图之...跨域图异常检测通过带标签的源图辅助无标签目标图,提升了异常节点检测的准确性,进而有效降低了无监督图异常检测中的高误报率。尽管已有多种领域自适应方法被相继提出,但图数据复杂的拓扑结构与节点属性之间的关系使得源图与目标图之间的特征难以对齐;此外,图异常节点的多样性进一步增加了域对齐后的检测难度。为了解决上述问题,提出了一种新的跨域图异常检测框架,即双重分类和重建网络(Dual Classification and Reconstruction Network,DCRN)。该网络采用重建策略进行领域自适应,通过联合优化结构和属性的共享编码器、异常分类器和解码器,使共享编码器能够有效捕捉源图与目标图之间复杂的拓扑结构和节点属性关系,实现特征对齐与知识迁移。在对目标图进行异常检测的过程中,DCRN结合异常分类器和解码器的检测结果,识别与源图相似的异常节点以及仅存在于目标图中的特有异常,从而提升了模型的检测效果。在4个真实数据集上的实验表明,与10种基线方法相比,DCRN的AUC-ROC和AUC-PR平均提升了4.5%和20.5%,且FAR指标降低了16.13%。这些结果表明DCRN能够有效地检测目标图中的异常节点。展开更多
文摘跨域图异常检测通过带标签的源图辅助无标签目标图,提升了异常节点检测的准确性,进而有效降低了无监督图异常检测中的高误报率。尽管已有多种领域自适应方法被相继提出,但图数据复杂的拓扑结构与节点属性之间的关系使得源图与目标图之间的特征难以对齐;此外,图异常节点的多样性进一步增加了域对齐后的检测难度。为了解决上述问题,提出了一种新的跨域图异常检测框架,即双重分类和重建网络(Dual Classification and Reconstruction Network,DCRN)。该网络采用重建策略进行领域自适应,通过联合优化结构和属性的共享编码器、异常分类器和解码器,使共享编码器能够有效捕捉源图与目标图之间复杂的拓扑结构和节点属性关系,实现特征对齐与知识迁移。在对目标图进行异常检测的过程中,DCRN结合异常分类器和解码器的检测结果,识别与源图相似的异常节点以及仅存在于目标图中的特有异常,从而提升了模型的检测效果。在4个真实数据集上的实验表明,与10种基线方法相比,DCRN的AUC-ROC和AUC-PR平均提升了4.5%和20.5%,且FAR指标降低了16.13%。这些结果表明DCRN能够有效地检测目标图中的异常节点。
