Diffusion-enhanced multi-perspective inconsistency modeling for graph anomaly detection

doi:10.1016/j.knosys.2026.116656

Diffusion-enhanced multi-perspective inconsistency modeling for graph anomaly detection

2026-07-01

0

PRE

AI

DOI：10.1016/j.knosys.2026.116656

原文链接

原文求助

摘要

En 中文

图异常检测旨在识别图结构数据中偏离正常模式的节点，并在网络安全和社会网络分析等应用中发挥关键作用。在现实场景中，异常行为通常表现为多方面的复杂不一致性，包括结构模式、属性语义和连接尺度，其中许多只有在高阶结构上下文中才能显现。然而，现有的基于重构的方法在此类场景中仍存在局限性，因为它们通常依赖单视角表示，且在捕捉高阶结构依赖关系和尺度感知节点特征方面能力有限。为解决这些挑战，我们提出DEIM-GAD，一种扩散增强的双视角框架，用于多视角不一致性建模的图异常检测。具体而言，通过热核传播构建扩散增强视角，以纳入超出局部邻域的高阶结构依赖关系，从而补充原始图视角。基于双视角表示，所提出的方法明确建模多视角不一致性，包括结构不一致性、属性偏差和连接尺度差异。这些不一致性进一步通过统一的评分机制进行整合，以实现全面的异常评估。在多个基准数据集上的广泛实验表明，DEIM-GAD持续优于现有最先进方法，并达到有竞争力的计算效率。我们的源代码可在https://github.com/GNNteam/DEIM-GAD获取。

Keyword:

Graph anomaly detection

Graph neural networks

Self-supervised learning

Diffusion enhancement

Inconsistency modeling

Diffusion-enhanced multi-perspective inconsistency modeling for graph anomaly detection

摘要

期刊

机构

引用论文