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9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！
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，之
前的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[49] 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，该框架在结构编
码器中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。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。最后，与之前方法一样，AnomalyDAE 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节点。
在最近的工作中，Ding 等人[53] 提出的模型AEGIS 利用同质性来检测异常。
同质性是指连接在一起的节点理应具有相似的模式，因此，AEGIS 通过捕捉本节
点和周围节点的不同能够检测异常。AEGIS 模型结构如图2.9所示，编码器和解码
器部分由图差分编码网络(graph differentiation networks) 组成，在每一层图差分编
码网络中，h(t)
i = σ
W1h(l−1)
i +
P
j∈Ni
αijW2Δ(l−1)
ij
，其中hi 是节点的表示向量，
Δ(l−1)
ij 是节点i 的表示向量和节点j 的表示向量的差值，W1 和W2 是可学习的参数
矩阵，αij 是节点i 和j 之间的注意力系数。在图差分编码的基础上利用重构损失的
方法训练模型获得节点的异常分数。由于之前的文章通常无法解决归纳式学习的
问题，也就是这些模型只有重新训练才能针对新到来的节点识别异常，因此针对
新到来的异常往往无法正确识别。AEGIS 采用生成对抗网络的想法，通过联合训练
的方式让生成器产生一些潜在的异常点，让判别器去识别节点的异常分数。在训
练出一个良好的判别器后，当新的节点到来时可以直接利用判别器得到异常分数，
因此该模型也能够很好的解决归纳式学习问题。
无监督的深度学习异常节点检测虽然取得了显著的成功，但是无监督的异常
检测方法大都采用了自编码器作为基本结构，而自编码器的目标是学习低维节点
嵌入，不直接针对异常检测，使得该类方法针对异常检测任务的内在驱动性不足，
无法较好的衡量异常节点检测的原因。对上述现象的观察促使我们进行了第三章
的工作。
