-
题名基于超球面对偶学习的双通道图异常检测方法
- 1
-
-
作者
李青
钟将
倪航
-
机构
西北工业大学计算机学院
重庆大学计算机学院
-
出处
《电子学报》
EI
CAS
CSCD
北大核心
2024年第7期2212-2218,共7页
-
基金
国家自然科学基金(No.62102316,No.62171382)
中央高校基本科研业务费资助项目(No.G2021KY05114)
+1 种基金
“十四五”共用信息系统装备预先研究项目(No.315197202)
航空科学基金(No.20200051053002)~~。
-
文摘
图异常检测作为一项重要的数据挖掘任务,专注于识别与大多数节点显著偏离的异常节点.随着无监督图神经网络技术的进步,现已开发出了基于密度估计、对抗生成网络等多种高效识别图数据中潜在异常的方法 .然而,这些方法更注重无监督图异常检测生成高质量的表征,而往往忽略了图异常的特性.因此,本文提出了一个双通道异构图异常检测模型(Dual-channel Heterogeneous Graph Anomaly Detection,HD-GAD).其模型基础架构包括双通道的图神经网络:全局子结构感知的图神经网络和局部子结构感知的图神经网络,用于图异常检测捕获全局和局部子结构属性.同时,基于对偶推断引入了多超球体学习目标(Multi-Hypersphere Learning,MHL),从宏观和介观超球体角度,分别测量在整个图/社区结构中偏离的异常节点. HD-GAD模型利用相似度函数EmbSim优化训练目标,以缓解多超球面学习中的模型坍问题.最后,在五种不同的数据集上进行了全面的实验.其AUC(Area Under Curve)值在大多数情况下均超过了0.9,达到了行业领先水平,进一步证明了HD-GAD模型在图异常检测任务上的高效性与性能优势.
-
关键词
图异常检测
图神经网络
超球面学习
双通道图神经网络
无监督学习
对偶学习
-
Keywords
graph anomaly detection
graph neural network
hypersphere learning
dual-channel graph neural net⁃work
unsupervised learning
dual learning
-
分类号
TP311.1
[自动化与计算机技术—计算机软件与理论]
-
