.png){kind=icon}
返回
Higher-order Enhanced Contrastive-based Graph Anomaly Detection Without Graph Augmentation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.patcog.2025.111666.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图异常检测（GAD）已被广泛应用于各种带属性图数据挖掘领域，例如金融欺诈和学术引文网络。其目标是检测图中显著不同于其他数据的实例。现有的GAD方法通常基于图增强修改节点特征或结构以提高模型鲁棒性，这可能导致由于异常混淆而模型性能和效率低下。为解决上述问题，本文提出了一种新颖的高阶增强对比式图异常检测方法（HEC-GAD），无需图增强。为避免异常失真，我们不再进行图增强，而是从自中心网络（ego-net）中采样并扩展到高阶邻居以生成目标节点的多视图子图。为更高效地挖掘拓扑和属性信息中的异常，我们开展了视图内节点-子图和视图间子图-子图对比学习，并通过节点的重构误差识别异常节点。在八个人工和真实基准数据集上的全面实验结果证明了我们提出的高阶增强多视图对比图异常检测方法的有效性。
Keyword:
Graph anomaly detection
Graph contrastive learning
Multi-view contrastive learning
期刊
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
分享收藏Predicting Dynamic Embedding Trajectory in Temporal Interaction Networks.png)
Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining
OAAI
Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏SCANProceedings of the 13th ACM SIGKDD international conference on Knowledge discovery and data mining
Proceedings of the 13th ACM SIGKDD international conference on Knowledge discovery and data miningIF0
PREAI
分享收藏
Dynamic emotion modelling and anomaly detection in conversation based on emotional transition tensorINFORMATION FUSION
INFORMATION FUSIONIF15.5
PREAI
分享收藏
查看更多内容