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8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！
Dominant[47] 使用GCN 对属性网络进行建模，解决了上述提到的分开考虑结
构和属性信息的局限性，可以捕获数据的非线性以及属性网络上两个信息源之间
的复杂交互。该模型的结构如图2.6所示，具体来说，Dominant 在自编码器框架中
利用从GCN 获得的节点嵌入来重构原始的属性和结构信息。然后，为了进一步
实现对异常节点的检测，通过结构上的重构误差和属性上的重建误差来获得异常
分数，并通过异常分数的排序来标记异常。实验结果证明了利用GCN 的深度模型
Dominant 的优越性。该方法虽然通过使用GCN 可以很好地捕捉节点模态和属性
模态的良好交互信息，但是该模型的设计比较简单，只是直接使用了GCN 作为编
码器，没有考虑到GCN 的一些缺点，如平滑问
虽然将深度学习当作特征抽取工具提取出特征后用作聚类分析检测已经取得
良好效果，但在没有后续任务指导的情况下训练模型对特征降维，会在降维过程
中丢失聚类分析的关键信息，使得后续任务的结果陷入局部最优解。因此，[52] 采
用了一种联合训练的方法，即将残差分析的损失与聚类分析的损失联合起来，构
造一个统一的损失函数去同时优化参数。[48] 首次将这种联合优化方式用于图上的异常检测，所提模型如图2.7所示，在模型左半部分，首先从结构和属性的角度
提取特征，在获得节点在结构和属性上的隐层表示后，拼接其隐层特征后用于高
斯密度估计，最后将特征重构的损失和密度估计的损失进行联合训练，位于高斯
分布边缘的节点将具有较高的异常分数。
