高阶结构增强的跨视图无负样本对比的图异常检测算法

图异常检测在网络安全、金融评估和医疗保健等多个领域都有广泛的实际应用。近年来,基于对比学习和基于生成重构的图异常检测算法框架取得了显著的性能提升。然而,大多数基于图神经网络的范式忽略了一个内在的缺点,即可能会无意识地将异常节点与其邻域正常节点聚合在一起。此外,现有的检测算法缺乏对高阶结构信息的关注,导致正常节点与异常节点之间的判别性下降。为了改善以上缺点,提出了一种高阶结构增强的跨视图无负样本对比的图异常检测算法(CNCL-GAD)。与现有的单视图对比范式不同,提出了以高阶结构信息作为增强视图,通过多视图对比学习方法为图异常检测任务(GAD)引入更多、更丰富的判别信息。为了缓解图异常检测任务中正常样本与异常样本类别不平衡导致的对比负样本对大多数是同一类别的现象,提出了跨视图无负样本对比策略,即只将两个视图之间的正样本子图对拉近。将视图内节点-子图对比模块、属性重构模块和跨视图子图-子图对比模块联合训练,以获得更好的检测性能。在现有的公开数据集上进行了大量实验,与其他竞争算法相比,所提出的算法实现了有竞争力甚至更优越的性能。