摘要:图异常检测在网络安全、金融交易监测以及社交网络分析等多个领域具有广泛应用,其目标是在图数据库中识别包含异常模式的节点、边或子图。图神经网络凭借其对复杂图结构的处理优势,成为该领域的重要手段。然而,现有综述在覆盖范围和分类体系上存在遗漏与局限。为此,从以下三个方面对基于图神经网络的图异常检测研究进行了系统综述:首先,系统介绍了图数据中不同类型异常的定义,按照图数据类型(静态图与动态图)和异常层级(节点、边、子图、图级及多层级)对基于图神经网络的图异常检测模型进行了全面分类,提出了一套更系统、精细的分析框架;其次,从嵌入与异常检测联合优化、对比学习、自编码重构等角度梳理了各类方法的发展脉络以及代表模型;最后,汇总主流公共数据集并分析各类代表模型的性能表现,并深入探讨了领域面临的鲁棒性、效率、跨域迁移和轻量化等主要挑战。在此基础上,展望了图神经网络在多层级异常检测、跨领域、轻量化条件下异常检测的发展潜力。
文章目录
1 图异常检测基础
1.1 定义
1.2 图结构介绍
1.3 图异常的分类
1.4 基于图神经网络的异常检测方法分类
2 静态图上的异常检测
1.5 静态图上的节点异常检测
1.5.1 基于重构自编码器的方法
1.5.2 基于多视角融合的方法
1.5.3 直接以异常检测为驱动的方法
1.5.4 针对鲁棒性增强和领域适应的方法
1.5.5 基于协同检测与联合建模的方法
1.6 静态图上的边异常检测
1.6.1 嵌入与异常检测联合优化的方法
1.6.2 针对边的直接建模与鲁棒性优化的方法
1.6.3 多视角融合与精细化设计的方法
1.7 静态图上的子图异常检测
1.7.1 基于密度估计算法的方法
1.7.2 基于联合损失的方法
1.8 图级异常检测
1.8.1 基于重构思想的方法
1.8.2 基于一分类损失的方