Nan Chen, Zemin Liu, Bryan Hooi, Bingsheng He, Rizal Fathony, Jun Hu, Jia Chen. “Consistency Training with Learnable Data Augmentation for Graph Anomaly Detection with Limited Supervision”. ICLR 2024.
Rasmus, A. , Laine, S., & Aila, T. (2015). “Model-agnostic meta-learning for fast adaptation of deep networks”.✅
Wang, Y. , et al. (2020). “Graph Neural Networks for Graph Anomaly Detection: A Survey”.✅
Liu, Z. , et al. (2021). “Graph Neural Networks for Anomaly Detection: A Survey”.✅
Tang, J. , et al. (2022). “Beta Wavelet Graph Neural Network for Anomaly Detection”.✅
图异常检测（Graph Anomaly Detection，GAD）正逐渐成为研究界的热门话题，尤其是在生产环境中的重要性日益凸显。尽管现有的节点异常检测方法取得了一定的成效，但在面对有限监督和类别不平衡等挑战时，它们的表现依然有待提升。为了解决这些问题，研究团队提出了一种新颖的模型——CONSISGAD，该模型利用可学习的数据增强技术，在有限监督的情况下进行一致性训练，从而有效地提升图异常检测的性能。
异常检测的背景
图异常检测旨在识别出那些表现出异常行为的节点。例如，在社交网络中，一些用户可能会通过机器人程序发布大量虚假评论，这些用户的行为与正常用户显著不同。GAD的研究不仅限于社交网络，还包括金融交易、网络安全等领域。随着异常事件的频繁发生，如何高效地检测出这些异常节点，成为了一个亟待解决的问题。
在现有的研究中，GAD方法通常可以分为空间中心和频谱中心两大类。空间中心的方法通过分析节点之间的连接结构，如动态选择目标节点的邻居节点，来缓解类别不平衡的影响。而频谱中心的方法则利用图神经网络（GNN）框架，配备有效的频谱滤波器，以增强模型在不同频率信号聚合过程中的区分能力。尽管这些方法在一定程度上取得了成功，但它们仍未能在有限监督和类别不平衡的情况下提供理想的解决方案。
CONSISGAD的创新之处
针对上述挑战，研究团队提出的CONSISGAD模型充分利用大量的未标记数据，通过一致性训练来进行有效的图异常检测。该模型主要由两个核心组件构成：一致性训练和可学习的数据增强模块。
一致性训练
一致性训练是一种通过引入噪声来增强模型对未标记数据的学习能力的技术。具体来说，CONSISGAD利用高质量的未标记节点，通过添加适当的噪声生成其增强版本，从而在原始节点与增强节点之间施加一致性约束。这一过程不仅可以增强标签传播效果，还能提升模型的整体性能。
可学习的数据增强
可学习的数据增强模块是CONSISGAD的另一项重要创新。传统的数据增强技术通常依赖于手工设计或随机修改原始数据，例如节点丢弃或边缘丢弃等。然而，这些方法在调整数据增强的程度时常常面临过度增强或不足增强的问题，从而影响标签传播的效果。
为了克服这一问题，CONSISGAD引入了一种可学习的增强机制，该机制根据输入节点的特征和所需的增强程度，动态调整增强策略。研究团队提出了两个关键指标：标签一致性和分布多样性，来指导数据增强的学习。标签一致性强调增强后的节点应保持相同的标签，而分布多样性则注重增强节点的特征分布应具有多样性。
通过同质性分布进行异常节点区分
在处理类别不平衡问题时，研究团队发现正常节点和异常节点之间的同质性分布存在显著差异。正常节点通常与其他正常邻居的连接较多，因此表现出较高的同质性。相反，异常节点往往被更多的正常邻居包围，导致其同质性较低。这一发现为模型的GNN骨干架构提供了支持，使其能够有效地区分正常节点和异常节点。
实验结果与分析
在多个基准数据集上进行的广泛实验表明，CONSISGAD模型在图异常检测任务中表现优越，超越了众多最先进的基线模型。例如，在Amazon数据集上，CONSISGAD模型的AUROC达到了93.91，AUPRC达到了83.33，Macro F1达到了90.03，显示出其在处理有限监督和类别不平衡问题上的强大能力。
通过对比实验，研究团队还发现，设计用于GAD的模型通常优于经典的GNN模型，尤其是在处理类别不平衡的情况下。尤其是频谱中心的方法，如BWGNN和GHRN，通常表现出更好的性能。这一结果表明，CONSISGAD在图异常检测领域有着广阔的应用前景。
结论与展望
CONSISGAD模型的提出，为图异常检测提供了一种新的思路，通过整合一致性训练和可学习的数据增强，有效地提升了在有限监督条件下的检测表现。未来的研究可以在此基础上，进一步探索如何将这一模型应用于更广泛的实际场景中，如社交媒体监测、金融诈骗检测等领域。
参考文献
通过这种方式，CONSISGAD模型在图异常检测中展现出了强大的能力，开创了一个新的研究方向！