【ICML2022】图神经网络异常检测的再思考
图神经网络(GNNs)在图异常检测中有着广泛的应用。由于谱滤波器的选择是GNN设计的关键之一，因此通过图谱分析异常是GNN设计的第一步。我们的关键观察是，异常的存在将导致“右移”现象，即频谱能量分布较少集中在低频，较多集中在高频。这一事实促使我们提出了Beta小波图神经网络(BWGNN)。事实上，BWGNN具有光谱和空间本地化带通滤波器，以更好地处理异常中的“右移”现象。在4个大规模异常检测数据集上验证了BWGNN的有效性。我们的代码和数据发布在https://github.com/squareRoot3/ Rethinking-Anomaly-Detection。
专知便捷查看
便捷下载，请关注专知公众号（点击上方蓝色专知关注）
后台回复“GNNAD” 就可以获取《【ICML2022】图神经网络异常检测的再思考》专知下载链接
登录查看更多
相关内容
在数据挖掘中，异常检测（英语：anomaly detection）对不符合预期模式或数据集中其他项目的项目、事件或观测值的识别。通常异常项目会转变成银行欺诈、结构缺陷、医疗问题、文本错误等类型的问题。异常也被称为离群值、新奇、噪声、偏差和例外。
特别是在检测滥用与网络入侵时，有趣性对象往往不是罕见对象，但却是超出预料的突发活动。这种模式不遵循通常统计定义中把异常点看作是罕见对象，于是许多异常检测方法（特别是无监督的方法）将对此类数据失效，除非进行了合适的聚集。相反，聚类分析算法可能可以检测出这些模式形成的微聚类。
有三大类异常检测方法。[1] 在假设数据集中大多数实例都是正常的前提下，无监督异常检测方法能通过寻找与其他数据最不匹配的实例来检测出未标记测试数据的异常。监督式异常检测方法需要一个已经被标记“正常”与“异常”的数据集，并涉及到训练分类器（与许多其他的统计分类问题的关键区别是异常检测的内在不均衡性）。半监督式异常检测方法根据一个给定的正常训练数据集创建一个表示正常行为的模型，然后检测由学习模型生成的测试实例的可能性。
Arxiv
0+阅读 · 2022年7月25日
Arxiv
10+阅读 · 2021年10月4日
相关VIP内容
相关资讯
微信扫码咨询专知VIP会员