【ICML2022】圖神經(jīng)網(wǎng)絡(luò)異常檢測的再思考

來源：專知
本文為論文，建議閱讀5分鐘
異常的存在將導(dǎo)致“右移”現(xiàn)象。

圖神經(jīng)網(wǎng)絡(luò)(GNNs)在圖異常檢測中有著廣泛的應(yīng)用。由于譜濾波器的選擇是GNN設(shè)計的關(guān)鍵之一，因此通過圖譜分析異常是GNN設(shè)計的第一步。我們的關(guān)鍵觀察是，異常的存在將導(dǎo)致“右移”現(xiàn)象，即頻譜能量分布較少集中在低頻，較多集中在高頻。這一事實(shí)促使我們提出了Beta小波圖神經(jīng)網(wǎng)絡(luò)(BWGNN)。事實(shí)上，BWGNN具有光譜和空間本地化帶通濾波器，以更好地處理異常中的“右移”現(xiàn)象。在4個大規(guī)模異常檢測數(shù)據(jù)集上驗(yàn)證了BWGNN的有效性。我們的代碼和數(shù)據(jù)發(fā)布在

https://github.com/squareRoot3/Rethinking-Anomaly-Detection