基于数据增强的多视图对比学习图异常检测

图异常检测在预防金融欺诈、网络入侵等有害事件上具有重要价值。基于对比的异常检测方法尽管能够根据异常节点实例对的不一致性有效挖掘异常信息,避免因采用自编码架构导致模型需要全图训练的弊端,但是现有的大多数基于对比的图异常检测方法仅关注节点−子图的对比模式,忽略了采样的节点−子图实例对中只包含目标节点的局部信息,同时没有考虑各子图对目标节点的重要性,导致节点全局信息缺失和对比模式过于泛化的问题。为解决上述问题,提升图异常检测的准确度,提出了一种基于数据增强的多视图对比学习图异常检测(data augmentation based multi-view contrastive learning graph anomaly detection,DAMC-GAD)方法。具体地,提出了一种用于异常检测的图数据增强方法,通过目标节点的相对局部结构和自身属性关联距离较远的节点,以构建全局信息丰富的增强视图。引入逐层采样结合节点−子图对比,根据子图重要性制定对比模型的优化策略。通过互补的融合策略构建基于数据增强的多视图对比学习模型,在合成异常与真实异常数据集上进行大量实验,实验结果表明,DAMC-GAD在两类数据集上均优于目前先进的基线模型。