FANFOLD: Graph Normalizing Flows-driven Asymmetric Network for Unsupervised Graph-Level Anomaly Detection

无监督图级异常检测（UGAD）因其广泛的应用而受到越来越多的关注。在最近的研究中，基于知识蒸馏的方法已经被广泛应用于无监督异常检测中，以提高模型效率和泛化能力。然而，源（教师）和目标（学生）网络之间固有的对称性通常会导致两个结构之间的输出一致，难以区分异常图和正常图。此外，现有方法主要依赖于图形特征来区分异常，这可能在复杂和多样化的数据中不稳定，并且无法捕捉区分正常图和异常图的本质。在本文中，我们提出了一种基于图归一化流驱动的非对称网络用于无监督图级异常检测（简称FANFOLD）。我们引入归一化流到无监督图级异常检测中，因为它们在学习样本的基础分布方面具有成功的应用和优越的质量。具体而言，我们采用知识蒸馏技术，并在源网络上应用归一化流，实现了非对称网络。在训练阶段，FANFOLD将正常图的原始分布转换为标准正态分布。在推理过程中，FANFOLD使用源目标损失计算异常得分，以区分正常图和异常图。我们在15个不同领域的数据集上进行了广泛的实验，并使用9个基线方法验证了FANFOLD的优越性。

本文旨在解决无监督图级异常检测中源网络和目标网络之间对称性的问题，以及现有方法主要依赖于图特征来区分异常，而这种方法可能不稳定且无法捕捉区分正常图与异常图的本质。

本文提出了一种基于图归一化流的非对称网络模型FANFOLD，采用知识蒸馏技术，将归一化流应用于源网络，实现非对称网络。在训练阶段，FANFOLD将正常图的原始分布转换为标准正态分布。在推理过程中，FANFOLD使用源-目标损失计算异常得分，以区分正常和异常图。

本文的亮点包括使用归一化流来学习样本的潜在分布，提出了一种基于知识蒸馏的非对称网络模型，有效区分了正常和异常图。作者在15个不同领域的数据集上进行了广泛的实验，并与9种基线方法进行了比较。该模型在实验中表现出优异的性能，并且作者已经公开了代码。

最近在这个领域中，还有一些相关的研究，如《Deep Autoencoding Gaussian Mixture Model for Unsupervised Anomaly Detection》、《Adversarially Learned Anomaly Detection on Attributed Networks》等。