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22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。
异常检测是一个非常经典的任务，并且在在现实世界中的谣言检测，异常行为
检测等方面有着广泛的应用[42–44]。异常检测的一个广泛接受的定义是找到与数
据集中其他实例显着偏离的罕见实例，也就是在实际应用中，在整个数据集中正常
数据的数据量会远远小于异常数据的数据量。与此同时，随着现实世界中越来越
多的场景以图或网络的形式抽象表示，典型的例子包括社交网络、生物网络、交通
网络和金融交易网络。从这些场景中对图结构数据进行挖掘和分析引起了很多关
注，其中，图上的节点异常检测是一个至关重要的研究问题。例如，在金融交易网
络中，识别两个账户之间的异常（欺诈交易）至关重要，可以避免诸如洗钱诈骗等
违法行为。在社交网络中，检测异常用户节点（社交机器人）也很重要，因为它们
可能会在社交网络上传播谣言，影响用户社交体验，甚至造成社会动荡。由于图中
不仅包含复杂的链接（结构）信息，节点本身还包含着丰富的属性信息，如何同时
考虑结构信息和属性信息去检测异常，这也为图上的异常检测带来的巨大的挑战。
与此同时，在真实场景中，由于数据的表现形式是复杂的，因此对应的问题往
往被抽象为异构图中的异常节点检测。最近两年也出现了一系列半监督的深度学
习异常检测技术用于真实的异常检测场景。例如咸鱼平台提出的GAS[18] 算法运
用在了咸鱼平台的异常评论检测场景。该算法集成了异构和同构图来捕获评论的
局部上下文和全局上下文，将异常检测任务视作二分类任务，利用已知标签训练
模型，从而检测异常节点。GraphConsis[19] 研究了基于图的欺诈检测中的上下文、
特征和关系不一致问题，将异常检测任务视作二分类任务检测异常。CARE[20] 增
强了GNN 聚合过程，采用强化学习选择邻居的方式获得更好的节点表示，然后利
用交叉熵损失训练模型，进行欺诈评论检测。PC-GNN[21] 在CARE 的基础上，针
对异常检测中节点的类别不平衡问题做了采样，通过针对少数类别进行过采样缓
解不平衡问题，最后将异常检测任务视作二分类任务检测异常。
