CDifOD：通过上下文和类别感知扩散减轻图异常检测中的类别不平衡

基于图的异常检测因其在安全、金融和社交网络中的应用而受到广泛关注。然而，异常数据集高度不平衡的特性给学习带来了根本挑战，导致偏见学习和次优泛化。现有策略，包括基于采样的技术和损失重加权，常常无法捕捉图结构中异常的复杂分布。为此，我们提出了CDifOD，一个基于上下文和类别感知的扩散增强框架，生成逼真的合成异常以增强模型训练。具体来说，我们首先应用图聚类将大型图分割成子图，提高计算效率，同时保留结构依赖性。接下来，基于GraphMAE的编码器-解码器构建一个强大的潜在空间，用于高质量异常生成。最后，我们引入了一种上下文和类别感知的条件策略，其中掩码图结构提供结构先验，而异常标签引导生成过程以确保现实的异常合成。通过整合这些组件，CDifOD生成更平衡的训练数据，有效减轻类别不平衡。在多个基准数据集上的广泛实验表明，CDifOD始终优于现有方法，在图异常检测中取得了显著改进。