持续创作，加速成长！这是我参与「掘金日新计划 · 6 月更文挑战」的第1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！
本章对基于深度学习的图异常检测技术的研究现状进行了梳理。由于图的异
常节点检测问题可以看作图数据通过表示学习后得到节点表示的下游图分析任务
之一，因此，我们将异常检测技术可以分为 2 大类，1) 基于表示学习的图异常检测
方法，该方法首先使用深度学习技术从高维非线性数据中提取低维特征，特征提
取后，在第二步，对学习到的低维特征使用传统的异常检测算法进而检测异常。2)
基于联合学习的图异常检测方法，该方法使用深度学习技术直接设计面向异常检
测任务的模型，从而模型直接检测异常。本章将对这两部分内容进行系统性的介
绍，梳理相应技术取得效果的优点以及不足之后，为后续研究进行铺垫。
2.1 基于表示学习的图异常检测方法
基于表示学习的图异常节点检测技术将图节点的特征提取模块和异常检测模
块进行了解耦，在学习到节点低维特征表示后，我们可以应用传统的异常检测方
法检测异常，因此在本小节我们对经典的图表示学习方法以及异常检测方法介绍。
2.1.1 图表示学习方法
与其它领域（图像，表格）不同，进行异常节点检测等图分析任务的一个关键
问题是不仅要利用节点的属性信息还需要充分利用节点间结构信息。图表示学习
致力于将网络的节点映射到到低维特征空间的同时保持原有图结构信息不变，提
取与利用好底层特征，将节点映射到低维度的特征空间，从而可以直接将特征用
于相应的异常检测任务。合大小，d 代表低维向量维度。图表示学习作为连接后续应用任务和原始数据的桥
梁，受到了研究者们的广泛关注。本小节将按照发展历史将图表示学习
方法分为传统的图表示学习，基于深度网络的图表示学习和基于图神经网络的图
表示学习。
