论文标题：

LUNAR: Unifying Local Outlier Detection Methods via Graph Neural Networks

论文链接：

https://arxiv.org/abs/2112.05355

源码链接：

https://github.com/agoodge/lunar

局部离群点检测的方法例如 KNN、LOF 和 DBSCAN 等由于缺少可训练参数，因此难以自适应不同数据集。这篇文章基于「图神经网络」和「局部离群点检测」的思想提出了一种统一的异常检测框架 「LUNAR」 (Learnable Unified Neighbourhood-based Anomaly Ranking)，可以基于近邻节点学习特征从而检测异常点。实验部分证明 LUNAR 效果明显优于现有的局部异常点检测方法和其它的深度学习模型，并且对模型参数的鲁棒性进行效果检验。

  • 论文整体想法新颖，基于 GNN 结合局部近邻的思想来解决离群点检测问题。✔️
  • 主要创新在于问题的转化和 GNN 模型构造的创新性，尤其是 learnable aggregation function。✔️
  • 如果去掉 GNN 这层包装，貌似主要逻辑就是 KNN + DNN ？

内容中包含的图片若涉及版权问题，请及时与我们联系删除