Adaptive cleaning and correlation-driven graph anomaly detection

Changqin Huang

doi:10.1016/j.neucom.2025.131980

Adaptive cleaning and correlation-driven graph anomaly detection

2025-11-03

0

PRE

AI

DOI：10.1016/j.neucom.2025.131980

原文链接

原文求助

摘要

En 中文

图异常检测（GAD）在分析复杂系统中发挥着关键作用。然而，现有的基于图神经网络的方法通常存在两个关键局限性：同质性假设下由于异常邻居导致的正常节点表示污染，以及仅依赖重构误差难以有效检测伪装良好的异常或复杂的正常节点。为解决这些局限性，我们提出了一种新颖的无监督框架——自适应清理与相关性驱动的图异常检测（ACCD-GAD）。ACCD-GAD采用自适应清理策略以减少表示污染并提升编码器学习正常行为鲁棒模式的能力。此外，它整合了典型相关性分析以评估在特征和结构维度上局部与全局表示的一致性，从而提供更可靠的异常信号。在十个基准数据集上进行的大量实验表明，ACCD-GAD始终优于当前最优方法，AUROC指标提升最高达4.91%。

Adaptive cleaning and correlation-driven graph anomaly detection

摘要

期刊

机构

引用论文