基于自监督学习的属性图异常检测方法研究.pdf

基于自监督学习的属性图异常检测方法研究

研究生姓名：席鹏晖导师姓名：张师超

学科：软件工程研究方向：数据挖掘和深度学习年级：2021级

摘要

图结构数据是一种广泛使用的描述复杂系统的通用语言，可应用于社交网络、推

荐系统、生物信息学等领域。然而，在属性图异常检测中，检测异常数据是一个具有

挑战性的任务，因为通用的检测方法在处理非欧氏空间数据时效果有限，异常样本和

正常样本之间存在数量上的不平衡，且异常在图结构中违背了同质性假设。传统领域

的异常检测方法在处理上述问题时存在困难，并且在检测性能方面表现不佳。具体而

言，现有的异常检测方法主要集中在残差分析和社区发现等浅层技术上。然而，这些

浅层方法在训练过程中忽略了属性图复杂的结构信息，导致结果不理想且无法解释。

随着深度学习领域的发展，研究者们采用自编码器作为底层框架的深度学习方法。然

而，由于自编码器并非专门为异常检测任务设计，因此其检测性能仅能达到次优水平。

（1）为了识别更丰富的局部信息，在属性图异常检测领域，本文提出了一种新

型的局部信息识别方法。具体而言，为了利用上下文结构信息，首先通过从目标节点

生成不同的子图结构，构建对比学习表示法。同时，通过使用目标节点邻域信息的自

编码器来重建整个图，从而学习到更丰富的局部信息。此外，为了更好地理解复杂的

图结构，本研究采用异常分数估计来预测异常样本。通过邻域子结构和自编码器充分

学习邻域信息，提高了模型的异常检测性能。该研究在五个真实数据集上进行了广泛

的实验，结果展示了该模型在性能上的卓越表现。

（2）为了应对图数据错综复杂的拓扑结构、高维属性特征和类不平衡问题，本

文提出了一种用于属性图异常检测的双掩码自编码器模型。该模型旨在学习图网络更

好的潜在表示以进行异常检测任务。首先，通过随机掩码原始图数据的节点和连接，

生成一个新的掩码图结构。模型通过双自编码器学习图数据的潜在表示，其中一个自

编码器用于重建原始图数据，另一个用于重建掩码图数据，从而帮助识别属性图数据

中的异常节点。随后，为了从相关特征中捕获异常信息，模型采用随机再掩码策略，

利用掩码图中学习到的潜在表示。最后，利用从双自编码器学习到的潜在表示计算节

点的异常得分。与当前先进的五种方法相比，该模型能够提升属性图的异常检测性能。

关键词：图神经网络；图自监督学习；异常检测；对比学习；图自编码器

ResearchonAttributeGraphAnomalyDetectionMethodBased

onSelf-SupervisedLearning

Graduatestudent:PenghuiXi

Supervisor:ProfessorShichaoZhang

Major:SoftwareandEngineering

Researchdirection:DataminingDeepLearning

Grade:2021

Abstract

Graph-structureddataservesasauniversallanguagefordescribingcomplexsystems

andfindsapplicationsinvariousdomainssuchassocialnetworks,recommendationsystems,

andbioinformatics.However,detectinganomaliesinattributegraphsposesachallenging

task.General-purposedetectionmethodsexhibitlimitedeffectivenesswhendealingwith

non-Euclideanspatialdata,imbalancedratiosbetweennormalandanomaloussamples,and

violationsofhomogeneityassumptionsingrap