Learning Subgraph-Based Normality for Interpretable Graph-Level Anomaly Detection

doi:10.1109/TIFS.2025.3647221

Learning Subgraph-Based Normality for Interpretable Graph-Level Anomaly Detection

2026-01-01

0

PRE

AI

DOI：10.1109/TIFS.2025.3647221

原文链接

原文求助

摘要

En 中文

图级异常检测（GLAD）旨在识别在图数据集中显著偏离其他图的图。现有方法主要依赖标准图神经网络（GNNs）来学习图表示，但它们往往忽略了子图级信息，而该信息提供了区分正常图和异常图所必需的结构和语义线索。这一局限性不仅损害了检测性能，也阻碍了GLAD预测的可解释性。为解决这些挑战，我们提出了NGLAD，这是一种引入“正常相关性子图”概念的全新框架，该子图捕获正常图之间的共享模式。这些子图作为关键指标，用于区分正常图与通常缺乏或偏离此类模式的异常图。在模型训练过程中，NGLAD通过子图提取器和正常性学习器显式建模正常图中固有的共享子图模式，从而识别与正常性最相关的子图。借助单类信息瓶颈原理，这些模块确保提取的子图仅保留正常性的最关键特征，同时过滤掉无关的节点和边。在推理阶段，NGLAD通过评估输入图与其提取子图表示之间的不一致性来检测异常。在合成和真实数据集上的广泛评估表明，NGLAD在检测性能上显著优于现有先进方法，同时提供了可解释的解释。

Keyword:

Graph-level anomaly detection

graph neural networks

explanation

Learning Subgraph-Based Normality for Interpretable Graph-Level Anomaly Detection

摘要

期刊

机构

引用论文