属性网络中的异常节点检测方法的改进及应用

+v：mala2277获取更多论文重构增强多视图对比学习在属性网络张嘉强1，2，王森章3 andSongcan Chen陈松灿1，21南京航空航天大学计算机科学与技术学院2模式分析与机器智能3中南大学{zhangjq，s. chen}@www.example.com，szw www.example.com摘要从属性网络中检测异常节点在金融欺诈检测、网络安全等实际应用中具有重要意义。这个任务是具有挑战性的，由于异常节点之间的复杂的相互作用与其他同行和他们的属性方面的不一致。本文提出了一种自监督学习框架，该框架联合优化了基于多视图对比学习的模块和基于属性重构的模块，以更准确地检测属性网络上的异常。首先建立了两个对比学习视图，使模型能够更好地编码与异常相关的丰富的局部和全局信息。根据相邻节点间属性一致性原则，提出了一种基于掩码自动编码器的重构模块，用于识别重构误差较大的节点，并将其视为异常。最后，将两个互补的模块进行整合，以更准确地检测异常节点。在五个基准数据集上进行的大量实验表明，我们的模型优于当前最先进的模型。1介绍属性网络在现实世界中普遍存在，如社交网络和引文网络。最近，属性网络上的异常检测在许多安全相关的应用中具有重要意义，例如社交垃圾邮件检测[Jainet al. ，2019]，财务欺诈检测[Wanget al. ，2019]和网络入侵检测[Shoneet al. ，2018]，并吸引了越来越多的研究兴趣。虽然它已经被广泛研究，但在属性网络上检测异常仍然是一项具有挑战性的任务[Dinget al. ，2019]。该问题的一个主要挑战是节点的异常模式不仅与它们在拓扑结构上与其他节点的交互有关，而且与它们在节点属性方 面 的 不 一 致 有 关 [Dinget al. ， 2019;Penget al. ，2018]。通讯作者早期的异常检测技术，如矩阵分解[Liet al. ，2017]和OC-SVM [Erfaniet al. 2016年]已广泛应用于许多领域。这种方法的主要局限性是它们在很大程度上依赖于基于领域专家构建的特征工程。最近，深度学习技术，特别是图神经网络，已被广泛用于各种图挖掘任务（例如链接预测和节点分类），并取得了可观的性能提升。基于GNN的技术[Dinget al. ，2021]也被用于异常检测，其目的是学习异常感知节点表示。由于获取异常样本的高成本，异常检测通常以无监督的方式执行。[Dingetal. ，2019]提出了一种基于无监督自动编码器的异常模式检测方法，该方法能够根据重建误差捕获异常节点。[Liuet al. ，2021b]首次提出了一种基于对比学习的图异常检测框架。该模型将局部上下文信息作为监督信号，从节点-子图实例对中学习代表性特征。最后的判别分数用于检测异常节点。[Jinet al. ，2021]通过两个基于GNN的模型执行补丁级和上下文级对比学习，以进一步提高性能。虽然相当多的研究工作已经致力于这个问题，最近，我们认为，目前的方法仍然有缺点，由于以下原因。首先，地方和全球结构信息没有得到很好的利用和整合。现有SOTA方法[Liuet al. ，2021 b]典型地基于节点-子图构造对比实例对以有效地关注节点的局部信息用于异常检测。它们采用单层GCN从一跳邻居中提取局部结构信息，而一跳邻居以外的全局结构信息不能有效地捕获和利用。以前的研究表明，高阶邻域信息也有利于图挖掘任务。[Dinget al. ，2019]提出使用多层GCN来捕获图上的高阶交互以进行异常检测，但局部和全局结构信息被统一建模并耦合在一起，导致特征表示学习中的信息冗余。同时，GCN可以看作是一种特殊形式的低通滤波器，它具有arXiv：2205.04816v1 [cs.LG] 2022年5月+v：mala2277获取更多论文···G平滑信号的有效性[Boet al. ，2021]。堆叠多层GCN将更有可能平滑异常信号。因此，需要一种更有效的、解耦的局部-全局结构信息提取和集成方法来提供高质量的结构特征。其次，如何有效地融合节点属性与网络拓扑结构，以进一步提高检测性能还没有很好地探索。 虽然GCN可以处理拓扑结构和属性，但学习的表示并不适合在无监督学习场景下进行异常检测[Liuet al. ，2021b]。异常节点通常在节点属性方面与其相邻节点不一致，这为我们提供了额外的自监督信号。如何充分利用这些信号，并基于属性一致性原则建立属性重构模型，进一步提高异常检测性能，目前还没有很好的研究。为了克服上述缺点，我们提出了一个基于子图的多视图自监督框架，该框架包含一个基于C对比的模块和一个基于R构造的模块（Sub-CR）。Sub-CR可以将局部信息从全局信息中分离出来，而不是直接将它们融合在一起，并减轻GNN中平滑异常信号的风险。具体地，原始图首先通过图扩散和子图采样两者来增强，以获得每个节点的局部和全局视图子图。然后提出了一个两视图（视图内和视图间）对比学习模块。视图内对比学习旨在最大化目标节点与两个视图的子图级表示视图间对比学习的目的是使两个视图的区分度更接近，这使得模型能够编码局部和全局信息。为了进一步利用相邻节点之间属性一致性的自监督信号，还引入了一个掩码自编码器，根据目标节点在两个视图中的相邻节点重构目标节点的原始属性。最后，这两个互补的模块被集成到异常节点检测。我们的主要贡献概述如下：针对属性网络的异常检测问题，提出了一种新的自监督学习框架，该框架能够有效地集成基于对比学习和基于属性重构的模型.提出了一种多视图学习模型。该方法首先对局部和全局信息分别建模，然后将其融合在一起，为异常节点检测提供了高质量的特征我们在五个基准数据集上进行了广泛的实验，以进行模型评估。结果验证了我们的建议的有效性，它优于现有的国家的最先进的方法。2相关工作2.1属性网络的异常检测早期的工作[Perozzi和Akoglu，2016]提出了一种称为正态性的质量度量，它利用了结构和at-在网络上一起致敬 [Liet al. ，2017]提出了一个学习框架来描述属性的残差及其与网络结构的一致性，以检测属性网络中的异常。随着深度神经网络的快速发展，研究人员也尝试采用深度学习技术来检测属性网络中的异常[Dinget al. ，2019]提出使用GCN和autoencoder从结构和属性的角度测量节点的重构误差来识别异常，可以缓解网络稀疏性和数据非线性问题。[Yuet al. ，2018]通过学习的动态网络表示采用基于聚类的方法，以增量方式基于聚类来动态识别网络异常。[Liet al. ，2019]提出SpecAE通过密度估计方法检测全球异常和群落异常。[Liuet al. ，2021b;Jinet al. ，2021]提出了一种用于图异常检测的对比自监督学习框架，有效地捕捉节点与其子图之间的关系以捕捉异常。2.2图对比学习最近，对比学习作为一种有效的自我监督学习手段[Liuet al. ，2021 a]已经获得了越来越多的研究兴趣，其目的是从数据本身导出的监督信号中学习表示。其核心思想是将同一数据实例的两个增强视图视为要拉近的正采样器，而将所有其他实例视为要推得更远的负采样器。 由于 图像 自监 督学 习的 巨大成 功[Chenet al. ，2020]， 对 比 学 习 方 法 也被 用 于 各 种 图 学 习 任 务 。[Velickovicet al. ，2019]旨在通过最大化补丁表示和对应的高级图摘要之间的互信息来学习节点表示。[Pengetal. ，2020]直接根据节点特征和拓扑结构最大化图神经编码器输入输出之间的互信息，提高DGI。[Zhuet al. ，2020]提出了生成两个数据视图，然后将两个视图中相同节点的表示拉得更近，将所有其他节点的表示推开。[Zhuet al. ，2021]提出了一种具有自适应数据增强的无监督图表示学习的对比框架。3问题公式化本文中，为了便于表达，用calli- graphic字体（如）表示集合，用粗体字表示向量（如x），用粗体字表示矩阵（如X）。术语和问题定义如下。 设G=（V，E，X）表示属性网络，其中V ={v1，...，v N}表示节点集，N是图中节点数，E是边集，X ∈ RN × F是属性矩阵，其中xi∈ RF（i= 1，.， N）是第i个节点的属性，A∈RN× N是邻接矩阵。问题定义。给定一个邻接矩阵为A的属性网络G=（V，E，X），我们的目标是学习一个+v：mala2277获取更多论文....= (X, )不子图不积极采样负不子图不积极采样= (X, )负GNN重量重建内部视图.正负AvePool∑GNN层视图间对比图扩散.负AvePool∑0重建视点内GNN重量不11不0N.N.∈∈−（k=0]个性化网页排名（PersonalizedPageRank，PPR）Page等人，1999年积极（a）图扩散子图采样（b）对比学习属性重构图1：拟议模式的框架。异常得分函数score（·）来度量G中每个节点的异常程度。4方法如图1所示，拟议的次级CR包括：基于对比学习的模块和基于属性重构的模块。我们首先构建两种类型的这一过程的表述如下：∞S=θ kT ∈R×（1）k=0其中θk是控制局部和全局结构信息比例的加权系数，TRN×N表示传递调整的广义转移矩阵。数据扩充：子图采样（左上部分ure.1），以获得每个节点的局部和全局视图子图。cency矩阵 注意，θ k∈[0，1]和θ∞ θ k=1。在对于每个视图，子图和目标节点都在-放入GNN编码器中学习嵌入，如图所示在图1的中间部分。然后，我们建立了内部和视图间的对比学习（图1中的右侧部分）来编码局部和全局结构信息。同时，我们进一步引入掩码自动编码器，通过两个视图中的属性重构误差来识别异常节点。最后，将两个互补模块集成以给出最终异常评分。4.1基于图扩散和子图采样的多视图生成对比学习范式的有效性在很大程度上依赖于借口任务和数据扩充的选择[Liuet al. ，2021a]。 我们采用基于节点子图匹配模式的借口任务，该任务被证明对属性网络上的异常检测有用[Liuet al. ，2021b]。同时，引入图扩散增强[Hassani和Khasahmadi，2020]来获得结构的全局视图，这允许每个节点分别与其局部和全局视图子图匹配接下来，我们介绍如何生成图的两个视图。图形扩散。我们建议使用图扩散作为第一次增强，以获得全局视图图。图扩散可以有效地捕获全局结构信息[Hassani 和 Khasahmadi ， 2020 年 ;Klicpera 等 人 ， 2015年]。，2019]。的图形扩散。鉴于邻近矩阵ARN×N，单位矩阵I及其度矩阵D，转移矩阵和权重可以重新公式化。T=D−1/2AD−1/2，θ k= α（1α）k。然后，图扩散S可以被重新公式化为：S=α（ I−（1−α） D−1/2 AD−1/2）−1（2）其中α表示随机游走中的传送概率。图扩散S是初始图的全局视图。子 图 采 样 。 我 们 采 用 重 新 开 始 随 机 游 走 （ RWR ）[Tonget al. ，2006]对局部子图进行采样。在这两个视图中，对于每个节点采样具有大小P的子图。特别地，我们从原始视图中采样节点和它们的边以形成局部视图子图，然后从另一个视图中选择精确的节点和边以形成全局视图子图。在每个视图中，对于节点vi，其子图被认为是其正对，并且对应于另一个节点的子图被认为是负对。4.2局部全局图对比学习如前所述，正常节点的表示类似于其子图中的相邻节点的表示，而这不适用于异常节点。因此，我们在局部和全局视图中定义了视图内对比学习，它最大限度地提高了节点和相应子图级表示之间的一致性如图所示图1）和图扩散（图1中的左下部分+v：mala2277获取更多论文GGF我G1·resG我帧内conconres2Nres我res我con我我我con我我L内部=2N我s1+（s2+）和s1−（s2−）是局部（全局）视图区分，res我2res我在图1的右侧部分，对于节点vi，其正对的区分得分应该接近1，而负对的区分得分应该接近0。同时，在两种视角之间定义了视角间它的目的是鼓励在两个视图中其子图之间的相同节点接近的区分得分。视图内对比学习。 这种对比性在每个视图中都有定义。 以图1中的局部视图为例，我们得到了目标节点vi对应的正负子图i， 注意，为了使所获得的表示更具区分性，子图中的目标节点的属性被掩蔽。然后子图被馈送到共享GCN编码器中以学习低维表示，其可以被公式化如下：Hl=φ（D−1/2A'D−1/2H（l−1）W（l−1））（3）局部视图和全局视图之间的对比损失可以表述为：Lint=（||s1−s2||其中s1，s2是由两个视图中的正对区分分数组成的向量。通过组合视图内和视图间对比学习，多视图对比学习模块的总体损失函数为：L_con=L_inter+L_intra（10）4.3基于邻域的属性重构基于掩码自动编码器（MAE）的自监督学习方法已被证明是有效的，领域的 例如，BERT [Devlinet al. [2018]基于预训练模型在许多NLP任务中取得了显著的效果，CV[Heetal. ，2021]。 这些方法的基本思想是屏蔽一部分我我然后输入未屏蔽的部分其中D∈RN×N是A'=Ai+IN的阶矩阵，我输入到编码器和解码器中用于预测被掩蔽部分。A'是具有自环的子图邻接矩阵，I是受掩蔽自动编码器方法的启发，我们提出我单位矩阵和W0N∈RF×d是一个可学习的权矩阵。设计了一种基于邻域模型的属性重构算法，提高了算法的性能。我们采用了非对称设计-由于目标节点在子图中被屏蔽，我们采用GCN的权重矩阵将特征映射到相同的嵌入空间。它可以表述为：hl=φ（hl−1Wl−1）（4）标志.编码器对子图中未被屏蔽的节点进行操作。这些节点的潜在表示被连接作为轻量级解码器的输入，以重构被掩蔽节点以当地ii视图作为一个例子，对于节点vi的子图Gi，我们可以其中h0= xi，φ是激活函数，例如ReLU。因此，我们得到了两个维的表示Hi和Hi通过GCN编码器得到i局部视图的重建损失可以定义为：子图Gi，Gi，hi的目标节点vi。为了使-Lres（vi）=||g（Zi）−xi||第二章（十一）执行节点-子图匹配模式任务（节点及其对应子图的表示更多其中g（）是多层感知器，Zi是级联。子图中相邻节点的表示一致），我们将平均池化函数作为读出模块，以获得子图级嵌入向量ei：类似地，我们可以计算全局视图的L2的该模块的总损失函数可以用公式表示为：nN吉吉 （Hi）kk=1n我L=1<$（L1（v）+L2（v））（12）i=1其中ni是子图i中的节点数。因此，正对的判别分数可以定义为：si= σ（hiWseT）（6）其中Ws是可学习矩阵。同样，我们可以计算出这是一对消极因此，实例对（vi，Gi，Gi）的局部视图对比度损失可以公式化为：4.4异常评分推断为了联合训练对比学习模块和属性重构模块，我们优化了以下目标函数：其中γ是平衡两个模块的重要性的控制参数。11通过最小化上述目标函数，我们可以得到：Lintra（vi）=−2（log（si）+log（1−si））（7）此外，我们可以类似地计算全局视图的L2计算每个节点的异常分数。 （刘等）、2021 b]，以节点vi为例，对比度模块的异常得分可以通过下式计算：最后，通过结合两个损失，我们有内部视图对比学习目标函数定义如下：scorecon（vi）=1[得分12（vi）+评分2（vi）]（14）1Σi=1其中score1（v）=s1−−s1+，score2（v）=s2−−s2+，我我我我视图间对比学习。这种对比是在两种观点之间定义的。遵循核心理念，通过等式对正对和负对的非负性评分。（6）. 的来自基于重建的模块的异常分数是：2对比学习，我们从两个视图的节点-子图对更接近。因此，ei=读数（ Hi）=N（五）12（L帧内（vi）+L帧内（vi））（8）k=1+v：mala2277获取更多论文score（v）=1scorek（v）（15）+v：mala2277获取更多论文res我2数据集节点边特征异常博客目录51961717438189300Flickr757523973812407450科拉270854291433150CiteSeer332747323703150PubMed1971744338500600表1：数据集的统计数据。图2：四个基准数据集的ROC曲线。得分k（vi）=||g（Zk）−xi||2，k=1，2（16）Cora、Citeseer和Pubmed的时代。 参数γ为其中Z1和Z2是连接的相邻节点rep-设置为0。6为BlogCatalog，Flickr，Cora和Citeseer，0。4我我表示在节点Vi的局部和全局子图中，首先将两个分数归一化，然后通过以下公式积分：score （ vi ） =scorecon （ vi ） +γscoreres（vi）（17）5实验5.1数据集我们在五个基准数据集上评估了所提出的模型，这些数据 集 广 泛 用 于 属 性 网 络 的 异 常 检 测 [Liuet al. ，2021b;Zhenget al. ，2021]。这些数据集包括两个社交网络数据集BlogCatalog和Flickr以及三个引文网络数据集Cora，Citeseer和Pubmed。由于地面实况异常的短缺，异常通过扰动方案注入[Dingetal. ，2019]。数据集的统计数据见表1。5.2实验设置基线和评价指标。在实验中，我们比较了所提出的模型与七个基线。[Perozzi和Akoglu，2016]评估节点的属性相关性具体而言，它从自我网络的角度分析了每个节点的异常。 [Liet al. ，2017]是一种基于残差分析的方法。它能检测出行为与大多数人截然不同的异常现象[Pengetal. ，2018]提出了一种新的联合框架来进行属性选择和异常检测。[Dinget al. ，2019]对属性网络上的异常检测问题进行了研究。[Velickovicetal. ，2019]是用于学习节点表示的方法。提出了一个双线性函数对异常进行评分。[Liuetal. ，2021 b]是第一个基于对比学习的图异常检测方法。 [Jinet al. ，2021]是一种最近的方法，它执行补丁和上下文级别的对比学习，用于属性网络上的异常检测。我们使用ROC和AUC来衡量性能。实施细节。 在Sub-CR中，考虑到效率和性能，我们将所有数据集的子图的节点大小P 在[Liuet al. ，2021 b]，我们采用一层GCN作为编码器，并且嵌入维度被设置为64。该模型在训练过程中使用Adam优化器进行优化所有数据集的bacth大小都设置为300。Cora、Citeseer、Pubmed和Flickr的学习率设置为0.001，BlogCatalog的学习率设置为0.003。我们为BlogCatalog和Flickr训练了400个epochs，为100个epochs训练了100个epochs。关于PubMed在推理阶段，我们在等式中平均异常分数。(17)超过300轮，以获得每个节点的最终异常分数。5.3结果与分析表2显示了这些方法在AUC值方面的比较结果。由于空间限制，图2显示了Cora，BlogCatalog，Citeseer和Flickr上的ROC曲线，具有两个竞争性基线。如表中所示，首先可以看到，我们提出的模型在五个基准数据集上优于其对手，这证明了Sub-CR的有效性。具体来说，Sub-CR 在 Flickr 和 Pubmed 数 据 集 上 分 别 比 最 佳 基 线ANEMONE提高了3.38%和1.61%。具体而言，AMEN、Radar和ANOMALOUS等浅层方法由于对高维节点属性和复杂拓扑结构的建模效率较低，表现不如其他模型DOMINANT和DGI也没有表现出竞争性的性能，因为它们专注于对整个图结构进行建模，而不是直接探索异常模式。DGI采用节点与全图间对对比，而DOM-INANT的目标是为每个节点重建整个图结构或属性，这不会解耦 局 部 和 全 局 信 息 以 进 行 异 常 检 测 。 CoLA 和ANEMONE实现了次优性能，由于周围的子结构的扩展。但它们不能充分捕捉到高阶结构信息，忽略了原始属性重构误差的自监督信号。Sub-CR的优越性能验证了多视图对比和重构模块的有效性，能够解耦局部和全局信息，更好地捕捉节点的属性和拓扑结构，实现异常检测。5.4消融研究我们接下来进行消融研究，以验证Sub-CR中每个组件的有效性。Sub-R和Sub-C分别表示没有基于重构和基于对比的模块的模型变体Sub-weight和Sub-global被定义为我们分别移除平衡权重（γ被设置为1）和全局视图结果见表3。可以看出，Sub-CR在所有数据集上一致地优于所有变体，这表明组件都有助于所研究的任务。其中，Sub-CR比Sub-C分别高出6.81%，5.41%，+v：mala2277获取更多论文BlogCatalogCiteSeerPubMedFlickr科拉≥方法博客目录Flickr科拉CiteSeerPubMed[2016年][2017]《雷达》[2018]DOMINANT[2019]DGI[2019]CoLA[2021]ANEMONE[2021]Sub-CR表2：五个基准数据集的AUC值比较博客目录Flickr科拉CiteSeerPubMedSub-R0.79430.7609 0.90020.90170.9553sub-C0.74600.7434 0.82200.78920.8006副配重0.80830.7928 0.90410.92750.9491次全球0.80900.7923 0.89750.91950.9625表3：消融研究的AUC值10095908580750 0.2 0.4 0.60.8FlickrBlogCatalogPubMedCoraCiteSeer图4：不同子图大小和嵌入维数的性能对于BlogCatalog、Cora和PubMeb，在P=4时实现。当尺寸太大时，子图中会包含冗余信息，这会损害性能。如图所示，对于大多数数据集，合适的嵌入维数是d=64嵌入维数过小或过大都会降低模型的性能.图3：不同γ的性能。9.12%、14.11%、17.03%，说明基于对比的模块对模型的建立起了至关重要的作用。节点-子图对上的匹配模式的自监督信号对于捕获异常更有效。至于其余三个组件，Sub-R在BlogCatalog、Flickr和CiteSeer数据集上的表现不如Sub-weight和Sub-global。在Cora上，全局视图的组成部分更为重要。子权重对Pubmed的影响更为显著。原因可能是不同的模块对不同数据集的影响因数据特征不同而不同。5.5参数研究最后对Sub-CR中的关键超参数，即子图的大小P、GCN的嵌入维数和平衡因子γ进行了模型灵敏度分析。图3显示了不同γ值对模型性能的影响。可以看出，当γ = 0时，大多数数据集可以达到最佳结果，并且对平衡因子不敏感。0。第四章图4显示了在不同浓度下的AUC值不同的子图大小和嵌入维数。人能观察Flickr和Citeseer的最佳性能是6结论在本文中，我们提出了一种新的多视图自监督学习框架的异常检测属性网络。所提出的基于对比学习的模块由两个精心设计的对比视图组成，以更好地捕获与异常模式相关的局部和全局结构信息属性重构模块采用基于子图的邻域表示方法，重构两视图目标节点的原始属性。最后，将两个互补的模块集成在一起，以实现更有效的异常检测。在五个基准数据集上进行的大量实验证明了我们提出的模型的有效性。确认本工作得到国家自然科学基金项目资助（资助号：62076124），国家科技重大专项（资助号：J2019-IV-0018- 0086）、国家自然科学基金项目（资助号：J2019-IV-0018-0086）、国家自然科学基金项目（资助号：J2019-IV-0018-0086）和国家自然科学基金项目（资助号：J2019-IV-0018-0086）的部分资助。62172443）和中央大学基础研究NZ2020014）。1001009595909085858080BlogCatalogCiteSeerPubMedFlickr科拉75752 3 4 5 6163264128256子图大小E嵌入维数AUCAUCAUC0.63920.65730.62660.61540.77130.74010.73990.65870.67090.62330.72370.74340.57700.63070.73160.74680.74420.81550.82510.80810.58270.62370.75110.82930.69620.78540.75130.87790.89680.95120.80670.76370.90570.91890.95480.81410.79750.91320.93030.9709+v：mala2277获取更多论文引用[Bo et al. ，2021] Deyu Bo，Xiao Wang，Chuan Shi和Huawei Shen 。 超 越 图 卷 积 网 络 中 的 低 频 信 息 在AAAI，2021年。[Chen et al. 陈婷，西蒙·科恩布里斯，莫汉-马德·诺鲁齐和杰弗里·辛顿。视觉表征对比学习的一个简单框架在ICML，2020。[Devlin et al. Jacob Devlin，Ming-Wei Chang，Ken- tonLee，and Kristina Toutanova. Bert：深度双向转换器的 语 言 理 解 预 训 练 。 arXiv 预 印 本 arXiv ：1810.04805，2018。[Ding et al. Kaize Ding，Jundong Li，Rohit Bhanushali，and Huan Liu.属 性 网 络 上 的 深 度 异 常 检 测 。 在SDM，2019年。[Ding et al. 丁凯泽、李俊东、尼廷·阿加瓦尔和刘欢。属性网络上的归纳异常检测。在IJCAI，2021年。[Erfani et al. Sarah M Erfani，Sutharshan Ra-jasegarar，Shanika Karunasekera，and Christopher Leckie.使用线性单类支持向量机和深度学习进行高维大规模异常检测。Pattern Recognition，58：121[Hassani 和 Khasahmadi ， 2020] Kaveh Hassani 和 AmirHosein Khasahmadi。图上的对比多视图表示学习。在ICML，2020。[He et al. ， 2021] Kaiming He ， Xinlei Chen ， SainingXie ， YanghaoLi ， PiotrDoll a'r ， andRossGirshick.Masked自动编码器是可扩展的视觉学习器。arXiv预印本arXiv：2111.06377，2021。[Jain et al. Gauri Jain ， Manisha Sharma 和 BasantAgarwal。使用卷积和长短期记忆神经网络检测社交媒 体 中 的 垃 圾 邮 件 。 数 学 与 人 工 智 能 年 鉴 ， 85（1）：21[Jin et al. Ming Jin ， Yixin Liu ， Yu Zheng ， LianhuaChi，Yuan-Fang Li，and Shirui Pan. Anemone：使用多尺度对比学习的图异常检测在CIKM，2021年。[Klicpera et al. ， 2019] Johannes Klicpera ， StefanWeißen-be r ge r，andStephanGünnemann.差异融合改进了图学习。arXiv预印本arXiv：1911.05485，2019。[Li et al. Jundong Li，Harsh Dani，Xia Hu，and Huan Liu.Radar：用于属性网络中异常检测的残差分析。在IJCAI，第2152-2158页[Li et al. ，2019] Yuening Li，Xiao Huang，Jundong Li，MengnanDu ， andNaZou.Specae ： Spectralautoencoder ， 用 于 属 性 网 络 中 的 异 常 检 测 。 在CIKM，2019年。[Liu et al. ， 2021 a] Xiao Liu ， Fanjin Zhang ， ZhenyuHou，Li Mian，Zhaoyu Wang，Jing Zhang，and JieTang. 自 我 监 督 学 习 ： 生 成 式 还 是 对 比 式 。 IEEETransactions on Knowledge and Data Engineering ，2021。[Liu et al. Yixin Liu，Zhao Li，Shirui Pan，Chen Gong，Chuan Zhou，and George Karypis.通过对比自监督学习对属性网络进行异常IEEE Transactions on NeuralNetworks and Learning Systems，2021。[Page et al. Lawrence Page ， Sergey Brin ， RajeevMotwani，and Terry Winograd.首页>外文书>社科>社会> The Pagerank Citation Ranking：Bringing Order tothe Web技术报告，斯坦福信息实验室，1999年。[Peng et al. Zhen Peng，Minnan Luo，Jundong Li，HuanLiu，and Qinghua Zheng. Anomalous：一种在属性网络上进行异常检测的联合建模方法.在IJCAI，2018年。[Peng et al. Zhen Peng，Wenbing Huang，Minnan Luo，Qinghua Zheng ， Yu Rong ， Tingyang Xu ， and Jun-zhou Huang.基于图形互信息最大化的图形表示学习。在WWW上，2020年。[Perozzi and Akoglu ， 2016] Bryan Perozzi and LemanAkoglu.属性邻域的可扩展异常排序。在SDM，2016年。[Shone et al. 2018年]Nathan Shone，Tran Nguyen Ngoc，Vu Dinh Phai和Qi Shi。深度学习方法网络入侵检测IEEEtransactionsonemergingtopicsincomputational intelligence，2（1）：41[Tong et al. ， 2006] HanghangTong ， ChristiansFaloutsos，and Jia-Yu Pan.带重新开始的快速随机游动及其应用。InICDM，2006.[Velickovic et al. Petar Velickovic ， William Fedus ，WilliamLHamilton ，PietroLio` ，Yos huaBengio ，andRDevon Hjelm.深度图infomax。在ICLR，2019年。[Wang et al. 王代新，林伟，崔鹏，贾全辉，王振，方艳明，于泉，周军，杨爽，袁琦。一种用于金融欺诈检测的半监督图注意网络。在ICDM，2019年。[Yu et al. Wenchao Yu ， Wei Cheng ， Charu C Aggar-wal ， Kai Zhang ， Haifeng Chen ， and Wei Wang.Netwalk ： A flexible deep embedding approach foranomaly detection in dynamic networks.在KDD，2018年。[Zheng et al. Yu Zheng，Ming Jin，Yixin Liu，LianhuaChi，Khoa T Phan，and Yi-Ping Phoebe Chen.基于生成 式 和 对 比 式 自 监 督 学 习 的 图 异 常 检 测 。 IEEETransactions on Knowledge and Data Engines，2021。[Zhu et al. Yanqiao Zhu，Yichen Xu，Feng Yu，QiangLiu，Shu Wu，and Liang Wang.深度图对比表示学习。arXiv预印本arXiv：2006.04131，2020。[Zhu et al. Yanqiao Zhu，Yichen Xu，Feng Yu，QiangLiu，Shu Wu，and Liang Wang.自适应增强的图对比在WWW上，2021年。