一种基于多频重构的图异常检测方法和模型技术

本发明专利技术为一种基于多频重构的图异常检测方法和模型

【技术实现步骤摘要】
一种基于多频重构的图异常检测方法和模型


[0001]本专利技术属于图处理领域，具体涉及一种基于多频重构的图异常检测方法和模型
。

技术介绍

[0002]图数据由于其强大的建模能力与可扩展性，引起了人们的强烈关注，尤其是图异常检测，在垃圾邮件检测
、
金融诈骗
、
社交网络分析中有着重要作用
。
图异常检测的目的是识别图中大多数模式显著不同的模式
(
节点
、
子图
、
边
)
等
。
真实世界数据集中，异常常常隐藏在结构空间
、
属性空间或者二者的混合里，由于复杂的节点关系和节点特征，图异常检测是一件非常有挑战性的事
。
[0003]由于
GNN
的飞速发展，一些学者开始使用
GNN
来进行图异常检测任务
。
基于
GNN
的异常检测一般范式为：向
GNN
输入图数据的属性与结构信息，通过学习到正常与异常节点的表征差异来辨别异常
。GNN
是一个低通滤波器，进行编码的过程中放大低频信号，抑制高频信号
(
变化更剧烈的信号
)。
目前主流的对比学习方法是利用
GCN
提取正负样例的节点特征来进行异常检测
。
然而，在包含异常的网络中，异常节点往往与邻居有着不同的特征，使用
GCN
提取信息会造成节点异常信息的丢失，从而导致次优的模型表现
。
[0004]有鉴于此，本专利技术提出一种全新的基于多频信息重构的图异常检测方法和模型，可以更好的实现图的异常检测
。

技术实现思路

[0005]本专利技术的目的在于提供一种基于多频重构的图异常检测方法，基于目标节点构建多重滤波器，并采用低频重构和对比学习进行异常检测，从而具有在高维节点特征的图数据上检测异常的能力，更强的检测性能和泛化能力
。
[0006]为了实现上述目的，所采用的技术方案为：
[0007]一种基于多频重构的图异常检测方法，包括以下步骤：
[0008](1)
对图进行采样，获得正采样和负采样；
[0009](2)
将所述的正采样和负采样进行多频滤波处理；
[0010](3)
采用对比学习的方法处理结构空间上的异常，采用低频重构的方法处理属性空间上的异常，结合后实现异常检测
。
[0011]进一步的，所述的步骤
(1)
中，采样随机游走算法获得正采样，通过扰乱背景信息的方式获得对应节点的负采样
。
[0012]进一步的，所述的步骤
(2)
的多频滤波处理中，采用自适应的
beta walvelet
作为编码器，捕获并融合多个频率的信息，再通过
MLP
层自适应地融合各个滤波器提取的特征
。
[0013]再进一步的，所述的捕获并融合多个频率的信息，采样以下公式：
[0014]B
＝
{W0,W1,...}
，
H
i
＝
W
i
x
＝
Ug
i
(
Λ
)U
T
x
；
[0015]其中，
W
i
表示第
i
个滤波器，
H
i
表示
经过第
i
个滤波器之后的特征
。
[0016]再进一步的，所述的融合各个滤波器提取的特征，采样以下公式：
[0017]H
＝
σ
(cat(H0,H1,H2,...))
；
[0018]其中，
H∈R
N
×
h
表示最终特征，
σ
表示非线性激活函数，
cat
表示全连接层
。
[0019]进一步的，所述的步骤
(3)
中，采用对比学习的方法处理结构空间上的异常，其公式如下：
[0020][0021]其中，
t
为节点
,
表示节点
t
的正采样得分，表示节点
t
的负采样得分
。
[0022]进一步的，所述的步骤
(3)
中，采用低频重构的方法处理属性空间上的异常的方法为：通过是否能够被低频信号重构来判断其异常
。
[0023]进一步的，采用低频的
GCN
作为解码滤波器，得出重构误差，其公式如下：
[0024][0025]再进一步的，所述的步骤
(3)
中，实现异常检测的过程，采样公式为：
L
＝
L
cmp
+
α
L
rec
；
[0026]其中，
α
是一个用于平衡损失的超参数，其取值范围为
[0,1]。
[0027]本专利技术的另一个目的在于提供一种基于多频重构的图异常检测模型
(MFAD
模型
)
，包括多频滤波器模块
、
比较模块
、
重构模块，可以更准确的进行异常检测
。
[0028]为了实现上述目的，所采用的技术方案为：
[0029]一种基于多频重构的图异常检测模型，包括：图采样模块
、
多频滤波器模块
、
比较模块
、
重构模块以及决策模块；
[0030]所述的图采样模块：对图进行采样，获得正采样和负采样；
[0031]所述的多频滤波器模块：将所述的正采样和负采样进行多频滤波处理；
[0032]所述的比较模块：采用对比学习的方法处理结构空间上的异常；
[0033]所述的重构模块：采用低频重构的方法处理属性空间上的异常；
[0034]所述的决策模块：实现异常检测
。
[0035]与现有技术相比，本专利技术的有益效果在于：
[0036]本专利技术的技术方案，首先采用多频小波滤波器来自适应融合高频信号与低频信号，以获取更丰富的节点表示；再通过两个特殊的策略挖掘异常信息，一是低通滤波器重构原始特征，获取特征空间上的异常，二是利用对比学习的框架，利用节点上下文信息发掘结构空间异常
。
从而本专利技术的技术方案具有以下优点：
[0037](1)
首次将低频重构的概念引入到异常检测中，比以往模型更适应异常网络的频谱特性
。
[0038](2)
提出了一个基于对比学习与谱图重构的异常检测框架，融合了谱图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于多频重构的图异常检测方法，其特征在于，包括以下步骤：
(1)
对图进行采样，获得正采样和负采样；
(2)
将所述的正采样和负采样进行多频滤波处理；
(3)
采用对比学习的方法处理结构空间上的异常，采用低频重构的方法处理属性空间上的异常，二者共同实现图异常检测任务
。2.
根据权利要求1所述的图异常检测方法，其特征在于，所述的步骤
(1)
中，采样随机游走算法获得正采样，通过扰乱背景信息的方式获得对应节点的负采样
。3.
根据权利要求1所述的图异常检测方法，其特征在于，所述的步骤
(2)
的多频滤波处理中，采用自适应的
betawalvelet
作为编码器，捕获并融合多个频率的信息，再通过
MLP
层自适应地融合各个滤波器提取的特征
。4.
根据权利要求3所述的图异常检测方法，其特征在于，所述的捕获并融合多个频率的信息，采样以下公式：
B
＝
{W0,W1,
…
}
，
H
i
＝
W
i
x
＝
Ug
i
(
Λ
)U
T
x
；其中，
W
i
表示第
i
个滤波器，
H
i
表示经过第
i
个滤波器之后的特征
。5.
根据权利要求3所述的图异常检测方法，其特征在于，所述的融合各个滤波器提取的特征，采样以下公式：
H
＝
σ
(cat(H0,H1,H2,...))
；其中，
H∈R

【专利技术属性】
技术研发人员：左恩光，陈晨，陈程，吕小毅，严紫薇，
申请(专利权)人：新疆大学，
类型：发明
国别省市：