HC-GLAD: Dual Hyperbolic Contrastive Learning for Unsupervised Graph-Level Anomaly Detection

无监督图级别异常检测（UGAD）因其重要性而在近年来引起了越来越多的关注。然而，大多数现有方法仅依赖于传统的图神经网络来探索成对关系，但这种成对边缘不足以描述涉及异常的多方面关系。有必要紧急利用节点组信息，这在UGAD中起着至关重要的作用。此外，大多数先前的工作忽略了全局底层属性（例如层次结构和幂律结构），这些属性在真实世界的图形数据集中很常见，因此是UGAD任务中不可或缺的因素。在本文中，我们提出了一种新的双超几何对比学习无监督图级别异常检测方法（简称HC-GLAD）。为了利用节点组连接，我们基于金色图案构建超图，随后进行超图卷积。此外，为了保留现实世界图形的层次结构，我们将双曲几何引入到这个领域，并在双曲空间中使用双曲模型进行图形和超图嵌入学习。据我们所知，这是第一个同时将超图与节点组连接和双曲几何应用于该领域的工作。对几个不同领域的真实世界数据集进行的大量实验表明，HC-GLAD在UGAD任务上的优越性。代码可在https://github.com/Yali-F/HC-GLAD上获得。

UGAD领域中，现有方法只依赖于传统图神经网络来探索成对关系，而这种成对边缘不足以描述涉及异常的多方面关系。此外，大多数先前的研究忽略了现实世界图数据集中常见的全局基本属性（例如层次结构和幂律结构），这些属性在UGAD任务中是不可或缺的因素。

论文提出了一种新颖的双超几何对比学习方法，用于无监督图级异常检测（HC-GLAD）。为了利用节点组连接，论文基于黄金模式构建超图，随后执行超图卷积。此外，为了保留现实世界图的层次结构，论文将双曲几何引入到这个领域中，并在双曲空间中使用双曲模型进行图和超图嵌入学习。

论文的亮点包括使用超图和节点组连接，以及将双曲几何引入到UGAD领域中。实验使用了多个不同领域的真实世界数据集，并证明了HC-GLAD在UGAD任务中的优越性。代码已在GitHub上开源。

最近的相关研究包括《Graph Anomaly Detection with Adversarial Training》、《Deep Autoencoding Gaussian Mixture Model for Unsupervised Anomaly Detection》等。