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15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！
我们评估了三组异常检测方法以证明我们方法的有效性：即“仅用属性”、“仅
用结构”和“同时使用属性和结构”的方法。“仅用属性”的方法仅利用节点属性信
息来检测异常，我们选择OC-SVM[58]、Deep-SVDD[11]、DSAD[12] 和NN 作为该
大类的比较方法。“仅用结构”的方法仅考虑结构信息而忽略属性信息，我们选择
具有代表性的DeepWalk[18] 方法作为该大类的方法。“同时使用属性和结构”的方
法同时捕获节点属性和结构以检测异常，我们将较新的Dominant[47]、SLGCN[2]
和SADAG[51] 作为该大类的方法。详细描述如下。
- OC-SVM[58] 试图找到一个将所有正常实例放在一侧而异常值位于另一侧的
超平面，通过计算节点与超平面的位置关系检测异常。
- Deep-SVDD[11] 通过训练深度神经网络以学习一个包围节点嵌入的最小超
球体的体积检测异常。
- DSAD[12] 是一种从Deep-SVDD 扩展的半监督异常检测方法，它使用标记和
未标记的实例来学习最小超球体。该算法也是通过计算节点和超球体中心的
距离检测异常。
- NN 是利用属性的前馈神经网络分类器。通过深度神经网络编码属性信息获
得向量表示后，通过交叉熵损失来训练参数。
- DW[18] 通过保持图结构特性无监督学习阶段表示。在学习到节点的嵌入表
示向量后，我们使用逻辑回归进行异常检测。
- Dominant[47] 是一种无监督的属性图异常检测方法。它使用图卷积神经网
络去编码属性和结构信息，然后去重构节点的属性和邻居，将每个重构损失
视为该节点的异常分数。
