Guarding Graph Neural Networks for Unsupervised Graph Anomaly Detection

无监督图异常检测旨在在没有标签的情况下识别图中与大多数不同的罕见模式，这对于各种实际应用非常重要。最近的进展利用图神经网络（GNN）通过聚合邻域信息来学习有效的节点表示，以此来解决节点在图中往往表现出与其邻域一致的行为的假设。然而，这种一致性可能会被多种方式的图异常所打破。大多数现有方法直接使用GNN来学习表示，忽视了图异常对GNN的负面影响，导致节点表示和异常检测性能不佳。尽管最近的一些方法已经在半监督标签引导下重新设计了GNN来进行图异常检测，但如何在无监督场景下解决图异常对GNN的不良影响并学习有效的表示以进行异常检测仍未得到充分探索。为了弥补这一差距，本文提出了一种简单而有效的框架，用于无监督图异常检测的守护图神经网络（G3AD）。具体而言，G3AD引入了两个辅助网络以及相关约束，以保护GNN免受不一致信息编码的影响。此外，G3AD引入了一个自适应缓存模块，以防止GNN仅重构包含异常数据的观察数据。大量实验证明，我们提出的G3AD在合成和实际数据集上都能优于17种最先进的方法。

如何在无监督场景下，识别图中的异常节点，提高异常检测的性能？

提出了一种名为G3AD的框架，通过引入两个辅助网络和相关性约束来保护GNN免受不一致信息编码的影响，同时引入自适应缓存模块来避免GNN仅重建包含异常的观察数据，从而学习有效的节点表示。

G3AD在合成和真实数据集上均优于17种最先进的方法，实验结果表明其有效性。此外，论文还开源了代码和数据集，为后续研究提供了便利。

最近的一些研究主要集中在半监督场景下的图异常检测，而本文是针对无监督场景下的图异常检测提出的。相关的研究包括：《Semi-Supervised Anomaly Detection in Attributed Networks》、《Graph Convolutional Networks for Graph Anomaly Detection》等。