PulseAugur
中
实时 09:21:34
English(EN) Chi-Square Wavelet Graph Neural Networks for Heterogeneous Graph Anomaly Detection

新的卡方小波GNN框架增强了异构图异常检测能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个新颖的谱图神经网络（GNN）框架，名为ChiGAD，用于异构网络中的异常检测。该框架解决了诸如捕获多样化的元路径语义、在维度对齐过程中保留高频内容以及处理具有困难异常样本的类别不平衡等关键挑战。ChiGAD利用多图卡方滤波器、交互式元图卷积和贡献感知交叉熵损失来提高性能。实验表明，ChiGAD的性能优于现有的最先进模型，其变体ChiGNN在GAD数据集上也展示了有效性。 AI

影响 这项研究引入了一个新颖的框架，可以改进复杂异构图数据中的异常检测，可能有利于网络安全和欺诈检测应用。

排序理由 该集群包含一篇详细介绍用于异常检测的新GNN框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的卡方小波GNN框架增强了异构图异常检测能力

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Xiping Li, Xiangyu Dong, Xingyi Zhang, Kun Xie, Yuanhao Feng, Bo Wang, Guilin Li, Wuxiong Zeng, Xiujun Shu, Sibo Wang ·

    用于异构图异常检测的卡方小波图神经网络

    arXiv:2505.18934v2 Announce Type: replace-cross Abstract: Graph Anomaly Detection (GAD) in heterogeneous networks presents unique challenges due to node and edge heterogeneity. Existing Graph Neural Network (GNN) methods primarily focus on homogeneous GAD and thus fail to address…

相关实体

相关话题