#今日论文推荐#ICML 2022 | 基于结构化数据的异常检测再思考: 我们究竟需要怎样的图神经网络?
本文提出了图异常检测的新工具 ——Beta 小波图神经网络 (BWGNN)。
图神经网络(GNN)被广泛应用于结构化数据的异常检测,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,他们又提出了 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。
论文题目:Rethinking Graph Neural Networks for Anomaly Detection
详细解读:https://www.aminer.cn/research_report/62b131877cb68b460fd7a69c?download=falsehttps://www.aminer.cn/research_report/62b131877cb68b460fd7a69c?download=false
AMiner链接:https://www.aminer.cn/?f=cs