基于个性化PageRank和对比学习的图异常检测模型

• Published in: 计算机科学 Vol. 52; no. 2; pp. 80 - 90
• Main Authors: 袁野, 陈明, 吴安彪, 王一舒
• Format: Journal Article
• Language: Chinese
• Published: 北京理工大学计算机学院 北京 100081%东北大学计算机科学与工程学院 沈阳 110169 2025
• Subjects: 图异常检测; Graph anomaly detection; Personalized PageRank; 图神经网络; Graph contrastive learning; Graph neural network; 图对比学习; 个性化PageRank
• ISSN: 1002-137X
• DOI: 10.11896/jsjkx.240200005

TP391; 图异常检测旨在从属性网络中检测出异常节点,其由于在许多应用领域如金融、电子贸易、垃圾邮件发送者检测中有着深远的实际意义而备受重视.传统的非深度学习方法只能捕捉图的浅层结构,对此,研究者们提出了基于深度神经网络的异常检测模型.然而,这些模型没有考虑到图中节点的中心性差异,这种差异在捕获节点的局部信息时会导致信息缺失或引入远端节点的噪声.此外,它们忽略了属性空间的特征信息,这些信息可以提供额外的异常监督信号.为此,从无监督的视角出发,提出了一种新颖的基于个性化PageRank和对比学习的图异常检测框架PC-GAD(Personalized PageRank and Contrastive Learning based Graph Anomaly Detection).首先,提出一种动态采样策略,即通过计算图中每个节点的个性化PageRank向量确定其相应的子图采样数目,避免局部信息的缺失和引噪;其次,针对每个节点,分别从拓扑结构和属性空间的角度出发捕获节点的异常监督信号,并设计相应的对比学习 目标,从而全面地学习潜在的异常模式;最后,经过多轮对比预测,根据输出的异常值得分评估每个节点的异常程度.为验证所提模型的有效性,分别在6个真实数据集上与基准模型开展了大量对比实验.实验结果验证了PC-GAD能够全面地识别出图中的异常节点,AUC值相比现有模型提升了1.42％.