摘要

本文介绍了一种名为REGAD（REinforced Graph Anomaly Detector）的新型框架，用于在图异常检测（GAD）任务中处理带有噪声标签的问题。GAD在金融欺诈检测和社交网络机器人账户识别等领域有广泛应用。传统的GAD方法依赖高质量的标签数据，但在现实场景中，这些标签往往难以获取且可能包含噪声，导致性能严重下降。REGAD通过逐步剪除可疑节点的边来减轻噪声的影响，并设计了一个定制的动作和搜索空间来训练策略网络，以迭代优化策略。实验结果表明，REGAD在不同异常比例的三个数据集上均表现出优越的性能。

原理

REGAD框架的核心在于利用强化学习方法来优化图异常检测模型。具体来说，REGAD通过一个基础检测器（base detector）来评估每个节点的异常分数，并生成高置信度的标签集。然后，通过一个边缘剪枝器（edge pruner）来学习策略，逐步剪除与噪声标签相关的边。这个过程通过一个策略循环机制（policy-in-the-loop mechanism）来迭代优化，其中策略网络根据基础检测器的反馈进行更新。整个过程的目标是最大化基础检测器的性能改进（AUC），并通过累积奖励来评估整体性能。

流程

REGAD的工作流程包括以下几个关键步骤：

1. 基础检测器评估每个节点的异常分数，并生成高置信度的异常集（AS）和正常集（NS）。
2. 边缘剪枝器根据候选集（NC）中的节点，通过强化学习方法学习策略，逐步剪除可疑的边。
3. 策略循环机制迭代优化策略网络，基础检测器根据剪枝后的图结构更新高置信度标签集。
4. 通过累积奖励评估整体性能，奖励基于剪枝前后基础检测器的AUC性能差异。

应用

REGAD框架在处理带有噪声标签的图异常检测任务中展现出强大的潜力。其应用前景广泛，包括但不限于金融领域的欺诈检测、社交网络中的机器人账户识别、以及网络安全中的异常行为检测等。随着数据量的增加和数据质量的多样化，REGAD能够有效应对现实世界中标签噪声的问题，提高异常检测的准确性和鲁棒性。