一起养成写作习惯！这是我参与「掘金日新计划 · 4 月更文挑战」的第21天，点击查看活动详情
Hello，非常感谢你的关注~ 我是机器学习与风控，一名末流985的本硕，无顶会、无大厂核心部门实习，拥有多个比赛的竞赛经历，秋招刷了leetcode500题，在秋招提前批中收获字节跳动，腾讯，阿里，美团等大厂offer，最终选择入职字节风控，从事与黑产对抗的工作。我会定期分享我的春招、秋招亲身求职体验；算法岗日常工作；数据挖掘比赛，经典图模型等日常学习等有料也有趣的内容~秋招到了，欢迎各位私信找我内推！！！部门缺少开发，算法等岗位验证缺人。
\
Action Sequence Augmentation for Early Graph-based Anomaly Detection
动机：现有的方法都是在 有了一些用户行为后做的检测。当观察的数据很少时候，无法检测。 本文就是提前做一些边的预测（next）然后反过来继续迭代的异常检测。
\
2个模块。
异常检测+序列增强（扩充图）
Multi-Stage Self-Supervised Learning for Graph
Convolutional Networks on Graphs with Few Labeled Nodes
找top的 做为标签，
icde21 EnsemFDet: An Ensemble Approach to Fraud Detection based on Bipartite Graph
京东场景采样后检测异常。具体没看。
最后使用继承学习方法进行投票。
sigir20 workshop Alleviating the Inconsistency Problem of Applying Graph Neural Network to Fraud Detection
有代码 评论数据集
- for the context inconsistency, we propose to combine the context embeddings with node features; (2) for the feature inconsistency, we design a consistency score to filter the inconsistent neighbors and generate corresponding sampling probability; (3) for the relation inconsistency, we learn the relation attention weights associated with the sampled nodes.
现有的方法忽略了图神经网络异常检测模型中的三大不一致性问题：
类别不平衡和伪装问题！
上下文不一致：上下文的不一致。异常节点和周围的正常节点相邻，造成聚合后的表示相近！ 在原始特征上拼接一个可训练的特征。
属性不一致：异常总数量少的。相邻的节点特征不一致。2个review节点相连，但是评论的是不同的产品，属性差距很大，导致gnn无法提取出有效信息！ 简单的gnn不行！ 设计一个度量方法来计算特征间的一致性, 首先用一个阈值过滤掉太低的，然后每个邻居节点有一个归一化的采样概率 ） 可以借鉴：过滤低的，并且做一次增强。 gnn只关注局部的，这种全局属性相似做增强可以关注全局的。
关系的不一致性：假定一个 评论是异常的 那么通过共同用户相连的另一个评论的异常性更大！ 注意力机制
图上的异常检测旨在发现模式与大多数参考节点明显不同的节点，但是，现有
方法都忽略了图结构和节点属性之间复杂的跨模态交互。在[7] 中，作者提出了一
个通过双自动编码器（AnomalyDAE）进行异常检测的深度联合表示学习框架，该
框架捕获了图结构和节点属性之间的跨模态交互，以实现高质量的嵌入。如图2.8所
示，AnomalyDAE 由结构自编码器和属性自编码器组成，以共同学习潜在空间中的
节点嵌入和属性嵌入。该框架在结构编码器中通过采用注意力机制，来学习不同
邻居的重要性，以有效捕获结构模式，这在异常检测中扮演着重要作用。此外，通
过将节点嵌入和属性嵌入两者作为属性解码器的输入，在重建节点属性的过程中
学习结构和节点属性之间的跨模态交互作用。最后，可以通过从结构和属性两个
角度测量节点的重构误差来检测异常。
