用于离散点异常检测的属性解耦图神经架构搜索

《Expert Systems with Applications》:Attribute-Decoupled Graph Neural Architecture Search for Discrete Point Anomaly Detection

【字体: 大 中 小 】 时间:2026年04月05日 来源:Expert Systems with Applications 7.5

编辑推荐:

  离散点异常检测中,传统图神经网络架构搜索方法存在边节点属性耦合、固定拓扑结构导致的适应性不足问题。本文提出属性解耦的图神经网络架构搜索方法(ADGNAS),通过解耦边节点属性聚合过程和动态构建最优架构,有效适配不同K近邻图(KNNG)的分布差异,显著提升检测性能与效率。

  
陈家明|吴振鹏|黄泰然|张新秋|肖思阳|欧伟华
贵州师范大学计算机科学与工程学院,中国贵州贵阳550025

摘要

离散点异常检测是现实世界中的一个常见问题。基于点的离散点异常检测(PDAD)方法根据局部距离、密度和样本分布来识别异常。基于图的离散点异常检测(GDAD)方法使用距离函数为每个离散点构建K个邻居,并将其转换为K最近邻图(KNNG),以学习离散数据点及其邻域结构之间的复杂拓扑关系,从而进行异常检测。然而,传统方法采用固定架构的图神经网络(GNN)进行建模,这限制了其在不同KNNG上的泛化性能。此外,尽管当前的图神经架构搜索(GNAS)能够实现KNNG自适应的GNN构建,但这些方法在架构优化过程中系统性地忽略了边属性,严重限制了它们的异常检测性能。为了解决上述问题,我们提出了一个用于离散点异常检测的属性解耦图神经架构搜索(ADGNAS)。具体来说,我们提出了一种新的属性解耦图神经网络(ADGNN)建模范式。该范式使用不同的KNNG拓扑结构来解耦边属性和节点属性的聚合过程,以获得更有效的聚合表示。此外,我们构建了一个ADGNN搜索空间,并设计了蒙特卡洛树搜索(MCTS)来适应不同KNNG的分布差异,从而高效地构建用于异常检测的最优ADGNN。在多个基准数据集上的广泛性能评估表明,ADGNAS方法显著优于其他方法。与当前的典型GNAS方法相比,ADGNAS具有显著的效率优势。代码可在https://github.com/AutoMachine0/ADGNAS获取。

引言

离散点异常检测在现实世界中有许多重要的应用场景,例如云计算网络检测(He等人(2025年))、监控视频检测(Zhao等人(2025a年)和时间序列检测(Lee, Lee, & Kim(2025年))。传统的异常检测方法采用离散点建模来识别异常(An & Cho(2015年);Angiulli & Pizzuti(2002年);Breunig, Kriegel, Ng, & Sander(2000年);Liu, Ting, & Zhou(2008年);Liu等人(2019年);Reiss, Cohen, Bergman, & Hoshen(2021年);Sakurada & Yairi(2014年);Sch?lkopf, Platt, Shawe-Taylor, Smola, & Williamson(2001年);Zong等人(2018年))。这些方法被称为PDAD方法,通过相似性或重建误差测量来检测异常。这些方法通常假设正常实例在特征空间中形成密集的簇,而异常则表现出显著的偏差。然而,它们经常忽略了离散点之间的复杂结构或关系,限制了它们对复杂局部依赖性的建模能力。为了解决上述问题,研究人员使用距离函数为离散点构建K个邻居,并将其转换为K最近邻图(KNNG),然后将离散点异常检测转换为基于图的离散点异常检测(Goodge, Hooi, Ng, & Ng(2022年)),其中KNNG中的边和节点属性包含了离散点之间的丰富结构和关系信息。同时,原生图异常检测(GAD)方法(Tang, Hua, Gao, Zhao, & Li(2023年);Roy等人(2024年)已成为图数据高性能异常检测的主导框架,而由离散点构建的KNNG作为标准属性图,可以直接利用这些GAD技术来执行异常检测任务。不同的KNNG具有不同的数据分布差异。然而,之前具有固定GNN架构的GDAD和GAD方法最初是为以节点为中心的任务设计的,将边属性视为辅助权重而非核心信息特征。它们的耦合聚合范式要求边属性和节点属性在相同的KNNG拓扑结构内进行聚合,这阻碍了它们适应不同KNNG的分布差异,限制了它们的泛化性能。此外,传统的GNAS方法(Chen等人(2022年);Feng, Wang, & Wang(2023年);Gao, Yang, Zhang, Zhou, & Hu(2021年);Li & King(2020年))是基于以节点为中心的搜索空间和优化目标构建的,在自适应GNN构建过程中没有专门的边属性聚合维度。这种固有的设计缺陷严重限制了它们在基于KNNG的离散点异常检测中的泛化能力。
为了直观地说明上述问题,我们基于不同的基准数据集ANNTHYROID和MI-F(Goodge等人(2022年)构建了KNNG,对具有不同属性聚合范式的GDAD方法和典型的GNAS方法进行了性能测试。LUNAR(Goodge等人(2022年)是一种基于边属性聚合的GDAD方法。DAGBench(Tang等人(2023年)通过基于树集成方法的思路聚合节点属性来实现GAD。图卷积网络(GCN)(Kipf & Welling(2017年))、图注意力网络(GAT)(Velickovic等人(2018年)和图同构网络(GIN)(Xu, Hu, Leskovec, & Jegelka(2019年))是能够聚合边和节点属性的GNN方法,但它们的边属性聚合方法不同。GraphNAS(Gao等人(2021年)是GNAS方法的一个代表性工作,可以根据不同的图自适应地构建GNN来聚合节点属性。不同KNNG的比较实验结果如图1所示。X轴表示五次测试后的平均AUC性能,Y轴表示不同的数据集。由于不同KNNG之间的分布差异,没有一种比较方法能够在每个数据集上都获得最佳测试性能。具体来说,LUNAR-100和LUNAR-20分别表示聚合100个和20个正样本邻居边属性的GDAD方法。LUNAR-100和LUNAR-20的比较测试结果表明,如果边属性的数量固定,基于边属性聚合的GDAD方法将限制其在不同KNNG上的泛化性能。GCN-wo-edge和GAT-wo-edge表示忽略边属性、仅聚合节点属性的GCN和GAT变体。通过比较LUNAR、GCN-wo-edge、GAT-wo-edge和GADBench在不同KNNG上的测试性能,可以发现具有不同分布差异的KNNG适合使用具有不同属性聚合方法的GDAD方法进行建模。例如,ANNTHYROID数据集更适合基于节点属性聚合的GDAD方法。相比之下,基于边属性的GDAD方法可以更好地处理MI-F数据集。从GCN、GAT、GIN、GCN-wo-edge和GAT-wo-edge的测试性能比较中可以看出,尽管现有的GNN方法可以同时聚合边和节点属性,但边属性和节点属性的聚合过程在相同的图拓扑结构中是耦合的,这限制了它们在不同KNNG中的泛化性能。GraphNAS测试的结果表明,传统的GNAS方法可以通过利用各种KNNG的分布差异来自适应地构建GNN,从而实现有竞争力的测试性能。然而,在MI-F数据集上的测试结果表明,缺乏对边属性的自适应建模限制了传统GNAS方法的泛化性能。总之,进一步提高不同KNNG上异常检测泛化的核心挑战是:如何根据不同KNNG的分布差异自适应地构建能够有效聚合边和节点属性的GNN?
为了解决上述挑战,受到相关工作(Chen等人(2022年);Goodge等人(2022年);Xu等人(2019年)的启发,我们提出了属性解耦图神经架构搜索(ADGNAS)用于离散点异常检测。如图2(a)所示,之前能够同时聚合边和节点属性的GNN方法(Kipf & Welling(2017年);Velickovic等人(2018年);Xu等人(2019年))在其中心节点的邻居边和节点属性聚合过程中存在耦合。这种耦合限制了在KNNG中利用相邻边和节点属性的灵活性。我们设计了一种新的属性解耦图神经网络(ADGNN)建模范式来消除上述限制。如图2(b)所示,ADGNN的边和节点聚合过程是解耦的,允许在不同KNNG拓扑结构中灵活地聚合邻居边和节点属性。为了适应不同KNNG的分布差异,我们开发了ADGNAS方法来根据不同的KNNG设计最优的ADGNN。具体来说,我们首先基于ADGNN建模范式构建了一个ADGNN搜索空间。然后,我们根据ADGNN搜索空间的堆栈结构设计了MCTS,可以从基于不同KNNG的分布差异的ADGNN搜索空间中高效且自适应地识别最优的ADGNN。最后,ADGNAS输出用于下游离散点异常检测任务的最优ADGNN。为了验证ADGNAS方法的有效性,我们基于多个基准数据集进行了大量实验。与所有基线方法相比,实验结果表明ADGNAS在性能方面实现了最佳的离散点异常检测性能。与基线GNAS方法相比,ADGNAS显示出有希望的效率优势。本工作的贡献如下。

小节片段

基于点的离散点

异常检测方法典型的PDAD方法包括隔离森林(IForest)(Liu等人(2008年))、一类支持向量机(OC-SVM)(Sch?lkopf等人(2001年))、局部异常因子(LOF)(Breunig等人(2000年)、K最近邻(KNN)(Angiulli & Pizzuti(2002年))、自动编码器(AE)(Sakurada & Yairi(2014年))、变分自动编码器(VAE)(An & Cho(2015年))、深度自动编码高斯混合模型(DAGMM)(Zong等人(2018年))、单目标生成对抗主动学习

方法论

在本节中,我们全面介绍了所提出的ADGNN建模范式,强调了其属性解耦聚合的特点。此外,我们还详细解释了ADGNAS方法,该方法包括ADGNN搜索空间、MCTS、ADGNN估计和ADGNN异常检测。

实验

在本节中,我们首先介绍了基准数据集和性能评估指标。接下来,我们展示了与ADGNAS进行比较的基线方法。随后,我们给出了本工作中基线方法和ADGNAS的实验配置。最后,通过大量实验验证了ADGNAS的有效性。ADGNAS的测试性能可以使用我们的开源代码3轻松复现。

结论

GDAD和GAD方法有效地捕捉了离散点及其邻居之间的复杂关系,以便更好地区分正常和异常模式,从而进行离散点异常检测。然而,当前具有固定GNN架构的GDAD和GAD方法缺乏处理不同KNNG分布变化的适应性,这影响了它们的边和节点聚合效果,最终降低了泛化性能。同时,传统的GNAS

作者声明

作者对本文的开发做出了实质性贡献,具体如下。这些贡献符合标准学术角色,以确保清晰度和透明度。
陈家明(第一作者):领导了核心概念的构思,设计并验证了实验框架,进行了数据分析,并起草了初稿。此外,他还对学术内容进行了严格修订,并确保了研究的完整性

代码可用性

代码可在以下链接获取:https://github.com/AutoMachine0/ADGNAS

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号