Imbalanced Graph-Level Anomaly Detection via Counterfactual Augmentation and Feature Learning

图级别异常检测（GLAD）已经变得非常重要，并成为一个受到广泛关注的研究领域。该领域的核心重点是捕捉和突显给定图形数据集中的异常信息。在大多数现有的研究中，异常通常是很少的实例。这种明显的不平衡使得当前GLAD方法更专注于学习正常图形的模式，进一步影响了异常检测的性能。此外，现有方法主要利用节点的固有特征来识别异常图案，但根据我们的实验，这种方法是次优的。在这项工作中，我们提出了一种通过对抗性增强和特征学习来解决不平衡GLAD问题的方法。具体而言，我们首先基于对抗性学习构建异常样本，旨在扩展和平衡数据集。此外，我们构建了一个基于图神经网络（GNN）的模块，使我们能够利用度属性来补充节点的固有属性特征。然后，我们设计了一个自适应权重学习模块，以有效地整合针对不同数据集量身定制的特征，避免将所有特征不加区分地视为等价的。此外，对公共数据集进行的广泛基准实验证实了其稳健性和有效性。此外，我们将该模型应用于脑疾病数据集，证明了我们工作的泛化能力。我们的工作源代码可在线获取。

本文旨在解决图级异常检测中存在的数据不平衡问题，提出了一种通过反事实增强和特征学习的不平衡图级异常检测方法。

本文的关键思路是通过构建反事实样本来扩展和平衡数据集，利用图神经网络模块来补充节点固有属性特征，设计自适应权重学习模块，有效整合针对不同数据集量身定制的特征。

本文的亮点包括：通过反事实学习解决数据不平衡问题，利用图神经网络模块补充节点度属性特征，设计自适应权重学习模块整合不同特征，实验结果表明该方法的鲁棒性和有效性，并在大脑疾病数据集上验证了泛化能力，源代码已开源。

近期相关研究包括：Graph Anomaly Detection with Adaptive Feature Selection and Fusion、A Comprehensive Survey on Graph Anomaly Detection和A Graph-based Framework for Anomaly Detection in Dynamic Networks等。