ComGA

La détection des anomalies graphiques vise ici à trouver des motifs rares qui sont significativement différents des autres nœuds. Les graphes attribués contenant des structures complexes et des informations d'attributs sont omniprésents dans nos scénarios de vie tels que le graphe des transactions de comptes bancaires et le graphe des citations d'articles. Les nœuds anormaux dans les graphes attribués montrent de grandes différences par rapport aux autres, tant sur le plan structurel que d'attributs, et donnent lieu à divers types d'anomalies graphiques. Dans cet article, nous étudions trois types d'anomalies graphiques : locales, globales et structurelles. De plus, les méthodes de détection d'anomalies basées sur des réseaux neuronaux graphiques (GNN) suscitent un intérêt considérable en recherche en raison de leur puissance à modéliser des graphes attribués. Cependant, l'opération de convolution des GNN agrège les informations des voisins pour représenter les nœuds, ce qui rend les représentations des nœuds plus similaires et ne permet pas de distinguer efficacement les nœuds normaux des nœuds anormaux, ce qui entraîne des résultats sous-optimaux. Pour améliorer la performance de la détection des anomalies, nous proposons un nouveau cadre de détection d'anomalies graphiques attributées sensibilisé par la communauté (ComGA). Nous concevons un réseau de convolution graphique profond sur mesure (tGCN) pour la détection d'anomalies sur des graphes attribués. De nombreuses expériences sur huit ensembles de données graphiques réels démontrent l'efficacité de ComGA.