.png){kind=icon}
返回
.png){kind=icon}
.png){kind=icon}
摘要
En 中文
图异常检测（GAD）对于识别各种网络中的异常行为至关重要，例如金融交易系统和在线社交平台中遇到的网络。现有方法通常局限于局部不一致性挖掘（LIM），难以从全局视角捕捉现实世界异常的复杂特征。本文揭示了一种图异常的新型全局属性：尽管单个异常节点可能表现出较低的平均全局相似度，但它们的集体存在可以在全局相似度分数的分布中显现出反直觉的“模式集中”现象。具体而言，它们倾向于显著抑制全局相似度分数整体分布的方差，这与将异常视为简单分散离群点的传统观念相悖。这一发现从根本上挑战了仅从局部视角识别异常的传统观念，并表明判断异常性需要跨多个信息层面的综合评估。受此见解启发，我们提出了MiLIAD（多级信息对齐与解耦框架），一种新型无监督GAD框架，专门设计用于应对这一挑战。MiLIAD整合了三个自然信息层级的表示：个体节点、邻域和全局上下文。其核心对齐与解耦机制学习这些层级之间的协同性和互补性，无需显式负采样或数据增强，从而识别偏离正常模式的节点。在10个具有挑战性的真实世界基准数据集上，与12种SOTA基线方法进行的广泛实验验证了MiLIAD的有效性。结果表明，MiLIAD在AUC和AUPRC指标上实现了显著提升，展现出强大的竞争力，特别是在处理复杂现实世界异常方面，并验证了其利用复杂全局异常信号的有效性。
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
暂无机构信息
引用论文
BTG: A Bridge to Graph machine learning in telecommunications fraud detectionBTG: 电信欺诈检测中图形机器学习的桥梁.png)
PREAI
.png){kind=icon}
分享.png){kind=icon}
收藏
Who are the evil backstage manipulators: Boosting graph attention networks against deep fraudsters
PREAI
分享收藏CGAD: A novel contrastive learning-based framework for anomaly detection in attributed networksCGAD: 一种基于对比学习的属性网络异常检测框架.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏
查看更多内容