Attribute-incomplete graph anomaly detection network

Renda Han

doi:10.1016/j.patcog.2026.114173

Attribute-incomplete graph anomaly detection network

2026-06-01

1

PRE

AI

DOI：10.1016/j.patcog.2026.114173

原文链接

原文求助

摘要

En 中文

属性不完整图中的异常检测是一个关键且具有挑战性的问题，广泛应用于各个领域，但现有方法尚未解决。当节点属性不完整时，检测功能被禁用。一种可能的解决方案是在检测前进行节点属性插补，但插补步骤通常侧重于恢复一般的邻接或分布信息，忽略了有利于检测的特征。此外，检测过程未针对插补后的节点属性进行优化，难以有效提取微妙的异常模式。为应对这一挑战，我们提出了属性不完整图异常检测网络（AMGA），交替执行节点属性推理和异常检测，其中推理出的属性增强了检测精度；反过来，检测结果又优化了插补质量。具体而言，我们设计了瑞利引导属性插补（RGAI）机制，提取可靠的瑞利子图以驱动谱滤波进行节点属性推理。通过结合局部拓扑和置信先验，RGAI确保在正常区域实现平滑插补，同时突出异常。此外，我们开发了专门的推理感知异常检测（IAD）模块，利用社区划分和先验插补信号的双通道表示来放大异常节点的结构和表示空间偏差，显著提升区分不同模式的能力。大量实验表明，AMGA即使在严重的节点属性不完整情况下，也能持续实现优越的检测性能，优于现有针对完整属性图的先进检测方法。我们的源代码可访问：https: //github.com/H00001/AMGA-code。

Keyword:

Graph anomaly detection

GRaph Neural Network

Unsupervised learning

Attribute-incomplete graph anomaly detection network

摘要

期刊

机构

引用论文