Temporal graph anomaly detection based on multi-view semi-supervised learning

Yifan Song

doi:10.1007/s11280-026-01429-4

2026-09-17

PRE

DOI：10.1007/s11280-026-01429-4

原文链接

原文求助

摘要

En 中文

图异常检测（GAD）关注于发现图结构数据中显著偏离典型行为的异常模式。近年来，对比学习与图神经网络（GNNs）的结合在增强区分异常实例的能力方面显示出巨大潜力。然而，当前大多数图对比异常检测（GCAD）方法侧重于通过多级比较机制增强判别力，却较少关注时序图设置引入的独特复杂性。在实际场景中，时序图表现出时变拓扑结构、复杂的多周期动态以及对突发事件的敏感性。这些特性为异常检测带来了显著困难，因为异常行为可能随时间微妙表现、因外部扰动突然出现或在与动态交互模式中逐渐演变。现有方法很少在统一框架中建模这些时序依赖和多视图结构变化，限制了其在实际动态环境中的有效性。为解决上述问题，我们提出了多视图半监督图异常检测（MSGAD），一个专为动态图环境设计的创新框架。MSGAD从多个互补视图中捕捉图动态，使模型能够联合学习结构演化模式和时序行为变化。通过整合多视图表示，该框架增强了对抗噪声和突发事件的鲁棒性，同时提高了对随时间分布的细微异常信号的敏感性。在多个常用基准数据集上的广泛评估表明，MSGAD在时序图中始终优于现有的GAD方法。附加的消融分析证实了多视图建模设计和半监督学习方案对整体性能提升的贡献。

Keyword:

Contrastive learning

Temporal graphs

Multi-view

Semi-supervised learning