Graph Anomaly Detection
PulseAugur coverage of Graph Anomaly Detection — every cluster mentioning Graph Anomaly Detection across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的EB-GAD框架提供无需训练的图异常检测
研究人员推出了一种新颖的、无需训练的图异常检测框架EB-GAD。该方法将正常性建模为一种感知图的松弛过程，并使用经验贝叶斯从残差场似然度拟合图精度。EB-GAD框架通过将其构建为有限视野控制能量问题，为异常评分提供了封闭形式的解决方案。该框架在包括金融欺诈网络、评论图和社交媒体数据集在内的十一个基准测试中的九个上，展示了优于或并列最佳的性能，且通常具有显著优势。
-
新的卡方小波GNN框架增强了异构图异常检测能力
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。
-
新框架解决零样本图异常检测问题
研究人员推出 AlignGAD，一个专为零样本广义图异常检测设计的创新框架。该方法旨在通过克服现有方法通常是领域特定的局限性，来识别新、未见过图中的异常节点。AlignGAD 利用全局统一模块对齐节点特征和图信号，聚类模块识别群组级异常模式，以及节点差异评分模块聚合异常证据。在各种真实世界数据集上的实验结果表明，AlignGAD 在零样本图异常检测场景中是有效的。
-
新方法应对图和多模态数据中的通用异常检测
两篇新研究论文介绍了通用异常检测的新方法。NeighborDiv 专注于图数据，提出了一种无需训练的方法，该方法分析节点邻居内的多样性，而不是节点与邻居的一致性，并取得了最先进的成果。Res$^2$CLIP 通过在残差空间中对齐多模态表示来解决少样本通用异常检测问题，旨在提高在无需重新训练的情况下对新类别的泛化能力。