圖異常檢測

Accedi

approfondimento - 圖異常檢測

本文提出了一種基於高通圖卷積網絡 (HP-GCN) 的新型圖異常檢測方法，通過分離學習孤立節點和連通子圖中的節點，並利用高通濾波器放大異常節點的高頻特徵，從而提高了在節點分佈不均勻和異常節點稀疏的圖中檢測異常的能力。

ANOMIX 透過混合圖以生成困難負樣本，並利用多層次對比學習來有效地識別圖中的異常節點，即使在標記數據有限的情況下也能達到高準確率。

本文提出了一種名為 UNPrompt 的新型零樣本泛化圖異常檢測方法，該方法能夠在單一圖數據集上訓練一個通用的異常檢測模型，並將其有效地泛化到其他圖數據集，而無需任何重新訓練或微調。

本文提出了一種名為 CDFS-GAD 的新穎框架，用於解決跨領域少樣本圖異常檢測問題，透過領域自適應圖對比學習、特定領域提示調整、領域自適應超球面分類損失和自我訓練策略，有效地從相關但不同的領域中提取知識，以識別目標圖中的異常節點。

本文提出了一種名為 DiffGAD 的新型圖異常檢測方法，旨在解決傳統基於重建的無監督方法在區分異常節點方面存在的不足。DiffGAD 利用擴散模型學習潛在空間中的判別性內容，並通過保留不同尺度的通用內容來增強模型的判別能力，從而更有效地識別圖中的異常節點。

Chi Siamo

Prodotti

Risorse