.png){kind=icon}
返回
Subgraph-based contrastive learning with distribution alignment for graph anomaly detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2026.115176.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图异常检测已成为识别复杂网络中可疑模式的关键技术，在社交网络分析、欺诈检测和网络安全等领域具有广泛应用。图对比学习（GCL）的近期进展展示了通过捕获局部子图的判别表示进行无监督异常检测的巨大潜力。然而，现有的GCL方法由于现实图中固有的结构异质性，在检测细微异常时仍面临挑战。此外，其对刚性或随机子图采样策略的依赖限制了其捕捉精细结构变化的能力，从而降低了检测灵敏度。为解决这些局限性，我们提出了一种基于子图的对比学习框架用于图异常检测，简称SubGAD。具体而言，SubGAD通过整合一阶和二阶邻居构建信息量丰富的子图视图，从而在不依赖固定大小采样的情况下捕获更丰富的上下文模式。它首先执行节点到子图的对比学习以突出局部偏差，然后引入图地移距离（G-EMD）对齐跨视图的子图表示，有效从分布感知的角度量化结构和语义差异。此外，SubGAD通过子图中心化缓解位置偏差，并执行基于核的异常检测。在七个真实数据集上的广泛实验表明，SubGAD持续优于当前最优方法，实现了显著的性能提升，并证实了其在属性图中检测细微异常的有效性。我们的源代码可在https://github.com/GNNteam/SubGAD获取。
Keyword:
Graph anomaly detection
Graph contrastive learning
Subgraph representation
Distribution alignment
Attribute graphs
