传统属性网络的异常检测多基于自监督对比学习,存在着异常节点类型较少、对比学习角度单一等不足。基于“节点-节点”对比和“节点-子图”对比,提出了一种多角度对比学习属性网络异常检测的ADMC(anomaly detection on attribute network...传统属性网络的异常检测多基于自监督对比学习,存在着异常节点类型较少、对比学习角度单一等不足。基于“节点-节点”对比和“节点-子图”对比,提出了一种多角度对比学习属性网络异常检测的ADMC(anomaly detection on attribute network by multi-angle contrastive learning)模型。主要创新工作有:在原有结构和属性异常的基础上,进一步细化为四种节点异常类型,并在属性网络中对其进行量化测度;利用“节点-节点”的节点级对比获得二重联接信息,利用“节点-子图”的跨节点级对比获得局部连接信息,并构建了二者互为补充的多角度对比学习模型。基于社交媒体及引文文献等数据集,与基于自监督对比学习(CoLA)模型相比较的实验结果表明,ADMC模型能够丰富异常数据的类型,提升属性网络异常检测的精确性。展开更多
文摘传统属性网络的异常检测多基于自监督对比学习,存在着异常节点类型较少、对比学习角度单一等不足。基于“节点-节点”对比和“节点-子图”对比,提出了一种多角度对比学习属性网络异常检测的ADMC(anomaly detection on attribute network by multi-angle contrastive learning)模型。主要创新工作有:在原有结构和属性异常的基础上,进一步细化为四种节点异常类型,并在属性网络中对其进行量化测度;利用“节点-节点”的节点级对比获得二重联接信息,利用“节点-子图”的跨节点级对比获得局部连接信息,并构建了二者互为补充的多角度对比学习模型。基于社交媒体及引文文献等数据集,与基于自监督对比学习(CoLA)模型相比较的实验结果表明,ADMC模型能够丰富异常数据的类型,提升属性网络异常检测的精确性。