ICML 2022 重思考为图结构数据异常检测设计图神经网络 | 图数据异常节点检测 | 论文解读和代码复现

Posted 2022-07-14 叶庭云

文章目录

• 一、引言
• 二、背景与挑战
• 三、论文主要内容
• 四、结果分析
• 五、代码复现
• • 1. 环境配置
  • 2. 结果复现

---

一、引言

Rethinking Graph Neural Networks for Anomaly Detection

图神经网络（GNN）已被广泛应用于图结构数据的异常检测，例如社交网络恶意账号检测、金融交易欺诈检测等。香港科技大学和斯坦福大学的研究者首次从谱域的角度（即图拉普拉斯矩阵的谱分解）分析了异常数据可能造成的影响。核心发现是：异常数据将导致频谱能量出现 “右移” 现象，即频谱能量分布从低频向高频移动。基于这一发现，他们提出了 Beta 小波图神经网络（BWGNN）。它拥有多个具有局部性的带通滤波器，能够更好捕获 “右移” 产生的高频异常信息。在四个大规模图异常检测数据集上，BWGNN 的性能均优于现有的模型。

论文地址：https://arxiv.org/abs/2205.15508

Github 代码地址：https://github