🤖 AI

Learning Discriminative and Generalizable Anomaly Detector for Dynamic Graph with Limited Supervision

本文提出了一种在有限监督下针对动态图异常检测的模型无关框架，该框架通过整合残差表示编码、限制损失以及通过归一化流进行的双边界优化，来学习能够平衡异常检测性能与对未知异常泛化能力的判别性边界。

原作者： Yuxing Tian, Yiyan Qi, Fengran Mo, Weixu Zhang, Jian Guo, Jian-Yun Nie

发布于 2026-06-02

📖 1 分钟阅读☕ 轻松阅读

原作者： Yuxing Tian, Yiyan Qi, Fengran Mo, Weixu Zhang, Jian Guo, Jian-Yun Nie

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下你是一名繁忙火车站的保安（这个动态图）。每一秒钟，成千上万的人（节点）都在握手、交换车票或互相碰撞（交互/事件）。你的职责是在麻烦制造者（异常值）造成混乱之前发现他们。

问题在于？你几乎没有关于“麻烦制造者”长什么样的训练。过去你只见过极少数的坏人，而绝大多数人只是普通的通勤者。

这篇论文介绍了一种新的安全系统，名为 SDGAD。它解决了在只有极少量坏人样本可供学习时如何发现坏人的问题，并使用了三个聪明的技巧。

1. “发生了什么新变化？”检测器（残差表示法）

问题： 大多数安全系统都会观察一个人的整个历史记录。如果某人已经做了 10 年好公民，系统就会认为他是安全的，即使他刚刚掏出了武器。系统会被“长期历史”所蒙蔽。

解决方案： SDGAD 使用了一种称为**残差表示法（Residual Representation）**的技术。

类比： 想象你在看电影。你不是在记住整个剧情，而只是关注上一场戏与当前场景之间的差异。
工作原理： 系统会根据一个人的近期历史计算出其行为应该是什么样的，然后用其实际的当前行为减去这个预测值。
- 如果这个人只是像往常一样买票，那么“差异”为零。
- 如果这个人突然开始奔跑或大喊大叫，“差异”就会变得巨大。
为什么有效： 这剥离了那些无聊的、正常的历史，突显了突然发生的、奇怪的变化。它将“漫长的历史”转化为了“突发的警报”。

2. “金发姑娘”区（表示限制）

问题： 即使你发现了变化，你如何知道这是一个“巨大的变化”（坏事）还是仅仅是一个“中等的变化”（也许他们只是赶时间）？此外，不同的坏人行为各异；有的吵闹，有的安静。如果你试图画一条单一的线来捕捉所有人，你可能会漏掉安静的坏人，或者误抓太多正常人。

解决方案： SDGAD 使用两个隐形的球体（超球体）创建了一个限制区。

类比： 想象一个舞池。
- 内层球体： 这是“金发姑娘”区。正常人被鼓励在这一特定的环形区域内跳舞。他们不应该离中心太近（太枯燥），也不应该离外圈太远（太狂野）。他们必须保持在一个舒适且一致的环形内。
- 外层球体： 这是“禁区”。
工作原理： 系统强制所有“正常”的行为紧密地聚集在这个环形区域内。
- 如果一个“坏人”试图在环形区域内跳舞，系统会将他们推出去。
- 如果“坏人”已经在外面了，系统就不会浪费精力去推开他们。
为什么有效： 这为“正常行为”创造了一个非常紧密、清晰的边界。任何不符合这个特定环形特征的行为都会立即引起怀疑，无论其“怪异程度”如何。

3. “双门”策略（双边界优化）

问题： 一旦你有了“正常环”，你就需要决定确切在哪里画线来发出警报。如果你把线画得离正常人太近，你会产生误报（比如因为一个人只是在看表就报警）。如果你画得太远，你会漏掉坏人。

解决方案： SDGAD 使用带有“缓冲带”的**双边界优化（Bi-Boundary Optimization）**策略。

类比： 想象一个有两个门的安检口。
- A 门（正常门）： 如果你通过这里，你绝对是安全的。
- B 门（异常门）： 如果你已经过了这扇门，你绝对是一个威胁。
- 缓冲带： A 门和 B 门之间的空间。
工作原理： 系统不仅仅画一条线。它画了两条线，中间留有一个间隙。
- 正常人被有力地推到 A 门之后。
- 坏人被有力地推到 B 门之外。
- 中间的间隙防止了混乱。它确保系统永远不会对一个人是“正常”还是“异常”感到“犹豫不决”。
为什么有效： 这使得决策非常稳健。即使数据带有噪声，系统也不会在“安全”和“危险”之间反复横跳。

结果

论文在真实世界的数据（如维基百科编辑、Reddit 帖子和学生课程日志）以及模拟攻击的伪造数据上测试了这个系统。

无标签情况下： 即使系统没有任何坏人的例子可以学习，它的表现也优于现有方法。
少量标签情况下： 当仅被给予极少数坏人示例（例如 1 或 2 个）时，它比其他系统学习得更快、更准确。
评分： 它不仅找到了坏人，还给出了一个清晰的“怀疑分数”，使得设定规则变得容易（例如：“如果分数高于 0.5，则报警”）。其他系统给出的分数往往挤在一起，导致无法设定好的规则。

简而言之： SDGAD 是一个聪明的保安，它忽略了无聊的历史，将正常行为强行约束在一种紧密且一致的模式中，并使用双门策略来确保它既不会错过坏人，也不会冤枉好人，即使在训练数据非常匮乏的情况下也是如此。

技术摘要：面向有限监督下动态图的判别性与泛化性异常检测器 (SDGAD)

1. 问题定义

动态图异常检测 (DGAD) 在金融欺诈检测、异常社交交互以及网络攻击识别等应用中至关重要。然而，现有的方法在实际场景中面临两个主要挑战：

标注异常的稀缺性： 与正常实例相比，异常情况极其罕见，这使得监督学习变得困难。
现有范式的局限性：
- 无监督方法： 虽然无需标签，但往往会产生模糊的决策边界，导致异常得分塌陷在一个狭窄的低值区间，使得正常样本与异常样本之间存在显著重叠。这使得阈值选择不稳定且不可靠。
- 半监督方法： 这些方法利用有限的标注异常，但往往会对极少数可用标签的具体模式产生过拟合。因此，它们在开集场景下对未见的异常类型泛化能力较差。

本文旨在解决如何在利用正常/无标签数据学习判别性且泛化性决策边界的同时，有效地利用有限的标注异常，且不牺牲对未见异常的泛化能力。

2. 方法论：SDGAD 框架

作者提出了 SDGAD，一个旨在与现有连续时间动态图 (CTDG) 编码器集成的模型无关型框架。该框架由三个核心组件组成：

A. 残差表示编码

标准的 CTDG 编码器通过聚合历史交互与当前事件，通常会导致嵌入（embeddings）被长期上下文所主导。这削弱了当前交互与其近期历史之间的区别，而这种区别对于检测罕见异常至关重要。

机制： SDGAD 通过从“包含当前事件的嵌入”中减去“不含当前事件的节点嵌入”来计算残差表示 ( $\Delta E$ )。
目标： 这显式地保留了由当前交互引入的增量变化。正常行为表现出局部连续性（小的残差），而异常则打破了这种连续性（大的残差），从而提供了更具判别性的信号。

B. 表示限制损失

不同的异常模式会诱发截然不同的残差规模，从而阻碍统一边界的学习。作者引入了一种限制损失，将正常表示约束在一个特定的几何区域内。

几何结构： 该方法并非使用单一的以原点为中心的超球体（这可能会遭受“肥皂泡现象”的影响，即质量集中在边界上），而是将正常残差约束在由两个同心超球体（内半径 $r_{min}$ 和外半径 $r_{max}$ ）界定的区间内。
损失函数：
- 正常样本： 如果落在区间 $[r_{min}, r_{max}]$ 之外，则受到惩罚，将其拉入一个具有一致规模的紧凑区域。
- 异常样本： 如果落在外超球体内（具体而言，是在 $r_{max}$ 之外的一个边际 $\Delta r$ 之内），则受到惩罚，将其推离正常区域。
自适应性： 不同于假设数据为独立同分布 (i.i.d.) 的以往双超球体方法，该方法是为动态图的非 i.i.d. 特性设计的，并以端到端的方式进行优化。

C. 双边界优化

为了构建一个显式且鲁棒的决策边界，该框架采用 正规化流 (Normalizing Flow) 作为密度估计器，来建模正常样本的对数似然分布。

挑战： 在高维空间中，正规化流可能会给分布外输入分配高似然值，导致边界模糊。
策略： 作者提出了一种双边界优化策略。他们没有使用单一阈值，而是定义了一个正常边界 ( $B_n$ ) 和一个异常边界 ( $B_a = B_n - \tau$ )，从而创造了一个缓冲区域（边际 $\tau$ ）。
目标： 损失函数 ( $L_{BO}$ ) 使用 softplus 函数来强制要求正常样本位于 $B_n$ 之上，而异常样本位于 $B_a$ 之下。这创造了一个清晰的边际，减少了边界歧义性并提高了对阈值选择的鲁棒性。

总体训练目标： 总损失结合了正规化流的最大似然损失 ( $L_{ML}$ )、表示限制损失 ( $L_{RR}$ ) 和双边界优化损失 ( $L_{BO}$ )。

3. 核心贡献

SDGAD 框架： 一个可泛化的、模型无关的框架，在无监督和有限监督设置下均能有效运行。
新颖组件：
- 一种用于捕捉异常相关偏差的残差表示编码机制。
- 一种使用同心超球体来归一化规模并提高可分性的表示限制损失。
- 一种使用正规化流来学习显式、鲁棒决策边界的双边界优化策略。
全面的评估： 在涵盖三种设置（无监督、有限监督和少样本学习）的六个数据集（包括真实世界和合成异常）上进行了广泛实验。

4. 实验结果

该框架与 15 个基准模型进行了评估，其中包括离散时间 (DTDG) 和连续时间 (CTDG) 方法。

性能： SDGAD 在不同数据集（Wikipedia, Reddit, MOOC, Enron, UCI, LastFM）和评估指标（AUROC, AP, F1）上一致优于所有基准模型。
鲁棒性：
- 在全无监督设置 (S3) 中，SDGAD 达到了与有限监督设置 (S1) 相当的性能，证明了其在没有标签的情况下学习判别性边界的能力。
- 在少样本设置 (S2) 中，即使仅有 1–3 个标注异常，该框架依然保持有效，而半监督基准模型则表现出训练不稳定和高方差的问题。
消融实验： 移除三个核心组件中的任何一个（残差编码、限制损失或双边界优化）都会导致性能下降，特别是在 F1 分数和得分可分性方面。
可视化： SDGAD 的得分分布显示出正常样本与异常样本之间清晰的分离，而基准模型的得分往往塌陷在零附近，导致阈值选择困难。

5. 重要性与主张

本文声称 SDGAD 解决了 DGAD 中的一个根本性局限：即利用有限监督与保持对未见异常的泛化能力之间的权衡。通过通过残差编码和双边界优化显式学习判别性边界，该方法提供了：

稳定的决策规则： 不同于具有模糊边界的无监督方法，SDGAD 提供了经过良好校准的得分，适用于需要固定或分层切分的高风险应用。
泛化性： 它避免了对稀缺标注异常的具体模式的过拟合，在开集场景下表现稳健。
模型无关性： 该框架可以无缝集成到各种现有的 CTDG 编码器（如 TCL, CAWN, DyGFormer）中，无需重新设计底层架构即可增强其异常检测能力。

作者指出，虽然某些数据集（如 LastFM）中的合成异常可能因简单的结构线索而易于检测，但该框架在不同设置下的鲁棒性以及处理真实世界异常的能力，突显了其在实际应用中的实用价值。未来的工作建议进一步完善合成异常协议，并将问题扩展到异常类型化。