【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
...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。