.png){kind=icon}
返回
Latent Representation Learning for Attributed Graph Anomaly Detection
.png){kind=icon}
PRE
AI
DOI：10.1145/3733604.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
属性图数据中的异常检测已被广泛应用于实际应用中。然而，图数据的复杂拓扑结构、高维属性以及异常检测任务中固有的类别不平衡，使得属性图异常检测成为一个具有挑战性的任务。为利用图数据的复杂拓扑信息进行异常检测，提出了一种双掩码自编码器，用于属性图异常检测，记为MAGAD。具体而言，在MAGAD中，通过随机掩码原始图数据以获得掩码图数据，从而处理属性图数据中的类别不平衡问题，用于异常检测任务。然后，通过训练双自编码器获得图数据的潜在表示，其中一个自编码器用于重建原始图数据，另一个用于重建随机掩码的图数据。这有助于识别属性图数据中的异常节点。随后，为从相关特征中捕获异常信息，MAGAD对从掩码图学习的潜在表示采用随机重掩码策略。最后，利用双自编码器解码器学习的潜在表示计算节点的异常分数。在五个真实数据集上的实验结果表明，MAGAD算法优于当前最先进的异常检测算法。
Keyword:
attributed graph
anomaly detection
dual-masked autoencoders
class imbalance
latent representation
期刊
IF:
4.8
论文数:
1.3K
被引数:
4.4K
机构
暂无机构信息
.png){kind=icon}
