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7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！
节点的异常分数为结构异常，属性异常，社区异常的加权平均。
紧跟着，Bandyopadhyay 等人[46] 在文献[45] 的基础上利用深度网络对学习
节点向量的过程进行了改进，提出了DONE 和AdONE 算法，该模型在编码器和解
码器部分代替了[45] 中使用的矩阵分解方法，采用了深度自编码器来获得结构和
属性上的重构损失，用于捕捉非线性关系，同样利用损失函数引入了结构上的异
常分数O1 和属性上的异常分数O2。在获得节点属性和结构上的低维表示后，使
用对抗学习的思想，学习社区异常中的映射矩阵W，让节点在属性和结构上具有
一致性，从而获得社区角度的混合异常分数O3。最终节点的异常分数为结构异常，
属性异常，社区异常的加权平均。
由于异常节点的存在会影响节点表示学习的过程，Liang 等人[50] 提出在做
表示学习任务的同时去检测异常点。论文采用了两个对偶深度神经网络去编码节
点特征xi 和节点的邻居特征xNi，获得编码后的节点特征hl1 (xi) 和邻居节点特征
hl1 (xNi)，然后通过一个共享层融合节点的表示，即ei = λihl1 (xi)+(1 − λi) hl1 (xNi)，
最后通过有标签的类型数据和无标签的表示学习任务去训练模型。由于异常点往
往会影响表示学习的效果，因此通过将邻居信息融入到表示学习中，可以在表示
学习任务中消除异常点的影响，在学习节点良好的嵌入表示的过程中同时检测出
节点的异常分数。上述介绍的基于深度学习的异常检测方法往往将节点的结构和属性信息分开考虑，忽略了两者之间的某些交互信息，而图神经网络可以同时编码节点结构和
属性信息，将结构和属性信息结合起来考虑，可以捕捉到节点的更好表示。因此，
图神经网络越来越多的被用于图异常检测领域，接下来将对已有的利用图神经网
络的异常检测方法进行介绍。
