GLADformer: A Mixed Perspective for Graph-level Anomaly Detection

Graph-Level Anomaly Detection (GLAD)旨在区分图数据集中的异常图。然而，当前的方法受到它们的接受范围的限制，难以学习图中的全局特征。此外，大多数现代方法都基于空间域，并缺乏对频谱特征的探索。在本文中，我们提出了一种多角度混合图级异常检测器GLADformer，它由两个关键模块组成。具体而言，我们首先设计了一个具有全局频谱增强的图变换器模块，通过融合全局特征和频谱分布特征，确保参数分布平衡和弹性。此外，为了发现局部异常属性，我们定制了一个带通频谱GNN消息传递模块，进一步增强了模型的泛化能力。通过对来自多个领域的十个真实世界数据集的全面实验，我们验证了GLADformer的有效性和鲁棒性。这表明GLADformer在图级异常检测中优于当前最先进的模型，特别是在有效捕捉全局异常表示和频谱特征方面。

GLAD论文旨在解决在图数据集中区分异常图的问题。然而，现有方法受其感受野的限制，难以学习图中的全局特征。此外，大多数当代方法基于空间域，缺乏对频谱特征的探索。

GLADformer是一个多角度混合图级异常检测器，由两个关键模块组成。首先，设计了一个带有全局谱增强的图变换器模块，通过融合全局特征和谱分布特征来确保平衡和弹性参数分布。此外，为了揭示局部异常属性，定制了一个带通频谱GNN消息传递模块，进一步增强了模型的泛化能力。

论文通过在多个领域的十个真实数据集上进行全面实验，验证了GLADformer的有效性和鲁棒性。结果表明，GLADformer在图级异常检测方面优于当前最先进的模型，特别是在有效捕捉全局异常表示和频谱特征方面。

GLAD论文的相关研究包括：Graph Convolutional Networks (GCN)、Graph Auto-Encoders (GAE)、Graph Attention Networks (GAT)、Spectral Graph Convolutional Networks (SGCN)等。