#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？

#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