【技术实现步骤摘要】
本专利技术属于信息领域，尤其涉及异常检测及图神经网络，具体涉及一种基于子图异常增强的自监督多视图图异常检测方法和系统。
技术介绍
1、属性图上的异常检测旨在识别属性或结构与其他节点不一致的罕见异常模式。现有的大多数研究都在简单的属性图上执行异常检测任务，即对属性图的单一视图进行分析。然而，在现实世界的应用中，多视图属性图更加实际，其中每个节点在不同视图下都具有对应的连接关系，比如一个用户在在线购物平台上具有购买、收藏和评论等关系。因此，多视图图异常检测研究更加重要，但却很少被探索。此外，仅有少量的方法将多视图属性图划分为多个单视图属性图，然后使用先前的异常检测方法分别计算它们的异常分数。最后，将这些不同视图的异常分数融合以获取最终的节点异常分数。这种方法直接忽略了不同视图之间的复杂语义交互，并削弱了异常评估性能。在本文提出的专利技术中，我们使用了一种新颖的自监督多视图图异常检测框架，通过子图异常数据增强来进行异常检测。我们利用子图采样和不同视图的融合来捕捉这些视图的语义交互，并设计子图异常数据增强训练模型，最终使得我们的自监督模型具有较...
【技术保护点】
1.一种基于子图异常增强的自监督多视图图异常检测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种基于子图异常增强的自监督多视图图异常检测方法，其特征在于：数据集准备与预处理包含以下步骤：
3.如权利要求2所述的一种基于子图异常增强的自监督多视图图异常检测方法，其特征在于：异常节点注入方式为：
4.如权利要求1所述的一种基于子图异常增强的自监督多视图图异常检测方法，其特征在于：步骤21的具体实现方式如下：
5.如权利要求1所述的一种基于子图异常增强的自监督多视图图异常检测方法，其特征在于：子图异常数据增强包含以
【技术特征摘要】
1.一种基于子图异常增强的自监督多视图图异常检测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种基于子图异常增强的自监督多视图图异常检测方法，其特征在于：数据集准备与预处理包含以下步骤：
3.如权利要求2所述的一种基于子图异常增强的自监督多视图图异常检测方法，其特征在于：异常节点注入方式为：
4.如权利要求1所述的一种基于子图异常增强的自监督多视图图异常检测方法，其特征在于：步骤21的具体实现方式如下：
5.如权利要求1所述的一种基于子图异常增强的自监督多视图图异常检测方法，其特征在于：子图异常数据增强包含以下步骤：
6.如权利要求1所述的一种基于子图异常增强的自监督多视图图异常检测方法，其特征在于：多视图表征学习包含以下步骤：
7.如权...
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。