计算机研究与发展

作者：林馥,李明康,罗学雄,张书豪,张越,王梓桐,

关键词：图级别异常检测, 图神经网络, 变分图自编码器, 图表示学习, 少样本学习,

图异常检测在识别复杂数据结构的异常模式中具有重要作用，被广泛地应用于有害分子识别、金融欺诈检测、社交网络分析等领域.但目前的图异常检测研究大多数聚焦在节点级别的异常检测，针对图级别的异常检测方法仍然较少，且这些方法并不能对异常图数据进行充分挖掘，且对异常标签比较敏感，无法有效地捕捉异常样本的特征，存在模型泛化能力差、性能翻转问题，异常检测能力有待提升.提出了一种基于异常感知的变分图自编码器的图级异常检测算法（anomaly-awarevariationalgraphautoencoderbasedgraph-levelanomalydetectionalgorithm，VGAE-D），利用具有异常感知能力的变分图自编码器提取正常图和异常图数据的特征，并差异化正常图和异常图在编码空间中的编码信息分布，对图编码信息进一步挖掘来计算图的异常得分.在不同领域的8个公开数据集上进行实验，实验结果表明，提出的图级别异常检测方法能有效地对不同数据集中的异常图进行识别，异常检测性能高于目前主流的图级别异常方法，且具有少异常样本学习能力，较大程度上克服了性能翻转问题.

来源：2024年第8期

《计算机研究与发展》期刊编辑部

查看计算机研究与发展杂志2024年第8期