.png){kind=icon}
返回
Multi-faceted consistency data augmentation for graph anomaly detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ipm.2025.104338.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于图的方法的异常检测已成为一个突出的研究领域，其驱动力在于欺诈检测、金融安全、生物医学等领域的核心应用。然而，现有方法面临显著挑战，包括标签不平衡、特征伪装和监督数据有限等问题。在本文中，我们提出了McGAD方法，该方法整合了两种一致性数据增强方式：结构一致性增强和可学习的无监督一致性增强。具体而言，我们在结构一致性增强中使用热波扩散模式来捕获节点的谱图小波，并将小波视为概率分布。McGAD利用经验特征函数将小波转换为低维嵌入，以指示每个节点的邻域。邻域结构一致性高的节点将具有相似的结构嵌入，即使它们彼此距离较远，我们对此提供了数学证明。这为同一类别的结构一致性节点提供了更有效的嵌入信息，能够更好地解决标签不平衡和特征伪装问题。此外，我们设计了一个可学习的无监督一致性增强模块，以处理监督数据有限的情况。我们使整个增强过程可学习，从而让模型能够充分利用未标记节点的信息。我们在四个基准数据集上进行了广泛的实验，以证明McGAD的优越性。特别地，在仅1%的训练比例下，McGAD在Amazon数据集上实现了93.67%的AUC和91.81%的F1-Macro，其AUC和F1-Macro分别比15个最先进基线方法高出最多4.90%和3.75%。
Keyword:
Anomaly detection
Graph neural network
Multi-faceted consistency
Data augmentation
期刊
I
IF:
6.9
论文数:
5.2K
被引数:
1.4W
机构
暂无机构信息
引用论文
struc2vec.png)
Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
OAAI
Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
OAAI分享收藏Temporal SIR-GN: Efficient and Effective Structural Representation Learning for Temporal Graphs
PREAI
分享收藏Guided learning for role discovery (GLRD)Proceedings of the 19th ACM SIGKDD international conference on Knowledge discovery and data mining
OAAI
Proceedings of the 19th ACM SIGKDD international conference on Knowledge discovery and data miningIF0
OAAI分享收藏
查看更多内容