Unifying Unsupervised Graph-Level Anomaly Detection and Out-of-Distribution Detection: A Benchmark

近年来，为了构建安全可靠的图机器学习系统，无监督的图级别异常检测（GLAD）和无监督的图级别分布外（OOD）检测（GLOD）受到了重视。尽管这两个研究方向确实有着相同的目标，但由于评估设置的不同，在社区中它们被独立研究，从而产生了一个阻碍从一个方向的方法应用和评估到另一个方向的方法的差距。为了弥合这个差距，在这项工作中，我们提出了一个统一的无监督图级别OOD和异常检测基准（我们的方法），这是一个综合评估框架，将GLAD和GLOD统一到广义图级别OOD检测的概念下。我们的基准涵盖了35个数据集，涵盖了四个实际的异常和OOD检测场景，便于比较16种代表性的GLAD/GLOD方法。我们进行了多维分析，探索了现有方法的有效性、泛化性、鲁棒性和效率，揭示了它们的优点和局限性。此外，我们提供了一个开源代码库（https://github.com/UB-GOLD/UB-GOLD）来促进可重复的研究，并根据我们的见解概述了未来研究的潜在方向。

本论文旨在解决无监督图级异常检测（GLAD）和无监督图级超出分布（OOD）检测（GLOD）之间评估设置上的差异，从而为构建安全可靠的图机器学习系统提供综合评估框架。

本论文提出了一种统一的基准测试方法，将GLAD和GLOD统一为广义图级OOD检测的概念，并对16种代表性的GLAD/GLOD方法进行了比较，从而探索了现有方法的有效性、泛化性、鲁棒性和效率等多个维度。

本文提供了35个数据集，涵盖了四种实际的异常和OOD检测场景，提供了开源代码库，并提出了未来研究的潜在方向。

最近在这个领域中，还有一些相关研究，例如《Graph Anomaly Detection with Robust Graph Convolutional Networks》、《Deep Autoencoding Gaussian Mixture Model for Unsupervised Anomaly Detection》等。