基于图卷积自编码器的多视图属性网络异常检测算法.docx

中国科学:信息科学2025年第55卷第2期:269–283

SCIENTIASINICAInformationis

论文

论文

《中国科学》杂志社SCIENCECHINAPRESS

crossMark

基于图卷积自编码器的多视图属性网络异常检测算法

李贺*,彭以冲,张万园,马小科,崔江涛,黄健斌

西安电子科技大学计算机科学与技术学院,西安710126

*通信作者.E-mail:heli@

收稿日期:2024–07–26;修回日期:2024–10–21;接受日期:2024–11–27;网络出版日期:2025–01–20科技部科技创新2030重大项目(批准号:2021ZD0201300)资助

摘要属性网络上的异常检测已经在垃圾邮件检测、金融欺诈检测和网络安全中的入侵检测等领域得到了广泛应用.然而,现有的研究大多将属性网络中不同类别的数据等同对待,无法精准检测出多类别的节点异常.为了解决这个问题,本文提出了一个基于图卷积自编码器的多视图属性网络异常检测框架AMEAN(anomalydetectiononmulti-viewattributenetworks).具体来说,AMEAN首先根据节点分类拆分多视图,再利用属性网络中丰富的语义信息,使用图卷积网络对每个视图进行处理.由于图卷积运算的低通特性过滤了大部分异常信号(高频信号),AMEAN还引入了自编码器模块.异常程度越大的节点,经过图卷积自编码器的重构误差越大.通过图卷积和自编码器的这种协同作用,AMEAN可以从结构和属性两个角度来衡量不同类别节点的异常程度.在合成数据集和真实世界数据集上的实验结果表明,AMEAN优于现有的模型,能精准检测出属性网络中的多类别异常节点.

关键词多视图属性网络,异常检测,图卷积网络,自编码器

1引言

异常检测[1]是数据挖掘中的一项重要任务,目的是在一群正常实例中识别出罕见的、离群的实例.通过有效识别异常行为和数据,异常检测可以帮助企业和组织预防潜在风险、减少损失以及优化资源分配.在过去的几十年里,已经开发了许多技术来识别平面网络中的异常[2].随着属性网络成为建模现实世界复杂系统(如社交媒体、蛋白质–蛋白质相互作用网络)的一种流行工具,属性网络上的异常检测也引起了广泛关注[3],例如垃圾邮件检测、金融欺诈检测和网络安全中的入侵检测.

然而,大多数属性网络中的数据是来自不同类别的,目前已有的研究[4~7]却忽视了这种多类别的影响,将不同类别的节点等同对待,这会对异常检测性能产生不利影响.因为异常节点会在同类别节点中表现出更高的异常性,而在不同类别节点中表现出较低的异常性[8].同一类节点的属性之间存在共

引用格式:李贺,彭以冲,张万园,等.基于图卷积自编码器的多视图属性网络异常检测算法.中国科学:信息科学,2025,55:269–283,doi:10.1360/SSI-2024-0227

LiH,PengYC,ZhangWY,etal.Detectanomaliesonmulti-viewattributednetworksbasedongraphconvolutionautoencoder.SciSinInform,2025,55:269–283,doi:10.1360/SSI-2024-0227

?c2025《中国科学》杂志社

/doi/10.1360/SSI-2024-0227

李贺等中国科学:信息科学2025年第55卷第2期270

图1和

(d)与异常节点的数量有关.

Figure1(Coloronline)