Anomaly Detection on Attributed Networks viaContrastive Self-Supervised Learning

 

      本文背景与目标 成果:

                  本文提出了CoLA框架,旨在将对比学习拓展到图网络的异常检测中，同时在以往图信息提取器的基础上进行了优化，以更好的利用图属性网络间的信息,总的来说，CoLA框架的创新设计使其在属性网络上的异常检测任务中表现出色，尤其是在面对大规模网络时，它的计算效率和检测精度都有明显优势，且可以在无标准信息网络效果明显。

        本文的核心设计理念:

        通过对于学习的特性，可以有效感知网络结构中节点A与其他节点间的关系，此文将正常网络中，节点A周边的节点视为正样本，其他无关节点随机选择作为负样本，则系统可以学习到正常节点的标注特点，当出现异常节点时，其与周边节点差异会很大，进而被判断为异常。

        本论文的模型架构:

        概要设计:

        图神经模块:用于卷积节点周边的信息，加大信息密度，扩大感受野

        读取模块:以池化层读取卷积后的信息 可以理解为将节点转化为embedding

        对比学习模块:选取真是周边邻居的部分作为正样本，随机样本作为负样本，进行训练

        判定阶段:进行多轮采样，避免一次随机采样的误差

• 每轮采样都会计算目标节点与局部子图的匹配分数（agreement score），包括正样本的匹配分数和负样本的匹配分数。
• 对每个目标节点，多轮采样得到的分数会进行汇总，通常是通过计算多轮采样的平均分数来确定最终的异常评分。

异常分数的公式如下：

f(vi)=1R∑r=1R(si(−)−si(+))f(v_i) = \frac{1}{R} \sum_{r=1}^{R} (s_i^{(-)} - s_i^{(+)})f(vi​)=R1​r=1∑R​(si(−)​−si(+)​)

其中，si(−)s_i^{(-)}si(−)​ 是第 rrr 轮负样本的分数，si(+)s_i^{(+)}si(+)​ 是第 rrr 轮正样本的分数，RRR 是采样轮数。通过多轮采样后的平均分数，可以有效降低单次采样的随机性和噪声。

        conclusion:本文作为一篇异常检测与对比学习的结合论文，实际应用场景在于点与点间存在强联系的场景，且有较为轻易的负样本选择与判定，故可以实现效果，但是如果放在图片异常检测环境中，图片异常不易选择负样本，系统可能无法良好的学习到负样本的标注形式，其次，本文的异常定义也比较宽泛，很可能会吧一些较小概率事件 判定为异常样本。

        优化方法: