1.【WWW 2021】SUGAR: Subgraph Neural Network with Reinforcement Pooling and Self-Supervised Mutual Information Mechanism

作者：Qingyun Sun, Jianxin Li, Hao Peng, Jia Wu, Yuanxing Ning, Philip S. Yu, Lifang He
链接：https://dl.acm.org/doi/abs/10.1145/3442381.3449822
代码：https://github.com/RingBDStack/SUGAR

导读：本文主要介绍一篇在图表征领域被WWW 2021接收的工作，SUGAR: Subgraph Neural Network with Reinforcement Pooling and Self-Supervised Mutual Information Mechanism。
为有效解决这一问题，作者提出了子图神经网络SUGAR，通过自适应地提取显著子图作为原始图的代表性部分，在有效进行图分类的同时可挖掘子图层级的模式。为了在缺乏专家知识的情况下捕捉子结构的语义，作者首次引入强化学习来自适应地选择特征显著的子图结构，提高了模型的泛化能力；为获得更具判别性的子图表征，作者引入自监督的互信息机制，通过最大化局部与全局的互信息，使得子图表征中包含全图的特征。在六个公开数据集上的实验表明，作者的方法在取得最好结果的同时具有较强的可解释性。

论文标题 ｜ Graph Neural Network-Based Anomaly Detection in Multivariate Time Series

论文来源 ｜ AAAI 2021

论文链接 ｜ https://arxiv.org/abs/2106.06947

源码链接 ｜ https://github.com/d-ailin/GDN

论文中提出一种基于 GNN 的结构学习模型 GDN（Graph Deviation Network）来解决多变量时间序列异常检测的问题，此外还利用 GAT 学习到的注意力权重来解释检测到的异常。实验部分在两个真实 sensors 数据集中验证了 GDN 模型不仅比 baselines 更加准确地检测出异常，还可以捕获不同传感器间的关系来辅助定位异常根因。感觉和另一篇文章思路有些类似 MTAD-GAT：基于图注意力网络的多变量时间序列异常检测模型，但是方法更 naive。

编辑人：吕腾飞 伊新铜

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