EAGLE-Lab硕士生贝元琛论文被数据挖掘领域知名会议ICDM 2023录用
IEEE International Conference on Data Mining (ICDM)是数据挖掘领域的知名会议。ICDM 2023将于今年12月1日-4日在上海召开，本届会议共收到1003篇投稿，最终仅有94篇论文被录用为长文，接收率仅为9.37%。Eagle-Lab图计算平台团队的硕士生贝元琛为第一作者的论文” Reinforcement Neighborhood Selection for Unsupervised Graph Anomaly Detection”被ICDM2023录用为长文。
图异常检测具有广泛的现实应用场景，如金融欺诈检测、社交谣言检测等。由于异常标签的稀疏性以及高获取成本，无监督/自监督图异常检测成为了学术研究关注的一类方法。
现有的主流图异常检测方法主要利用基于homophily假设的GNN通过邻域消息传递的方式进行节点表征学习，进而基于所学表征进行异常检测。然而，异常节点的存在会导致邻域不可信的情况，使得现有方案学到的节点表征次优。而在无监督图异常检测的背景下，要解决这个问题具有三个主要的挑战：（1）缺乏有效的异常监督信号；（2）邻域选择和节点表征学习往往是互相关的；（3）不同场景下的异常具有不同的特点，算法需尽量具有不同场景适应性。
基于此，本文设计了图示的模型：通过基于强化学习的邻域选择模块（Reinforcement Neighborhood Selection）挖掘合适的消息邻域，并进一步针对性的配置相应的消息传递方案（Anomaly-aware Message Passing）进行节点表征聚合，最终进行异常节点的检测（Anomaly Scoring with Graph Properties）。
我们在实验室自研的图异常检测框架DGLD（https://github.com/eaglelab-zju/DGLD）下进行了广泛的实验，实验结果表明所提出的模型在实验基准数据集上能达到相当或超越当前的基线模型的效果。