提出了DOMINANT(Deep Anomaly Detection on Attributed Networks)用于graph上的异常检测,核心想法:
1)用GCN综合graph的结构信息和节点属性信息来获得节点的embedding。
2)通过autoencoder来重构original data从而检测出异常节点。
文中指出网络中的异常节点由网络的拓扑结构和节点属性共同决定。
文中把属性图上的异常检查定义为一个ranking问题,即根据异常的程度评分排序。
The Proposed Model - Dominant
Dominant由三部分组成:
1)attributed network encoder. 通过GCN综合网络结构信息和节点属性信息来获得节点的embedding。
2)structure reconstruction decoder. 通过节点的embedding重构网络拓扑结构。
3)attribute reconstruction decoder. 通过节点的embedding重构节点属性。
最终通过重构误差来评判节点的异常程度。