基于对比学习的图异常检测研究综述.docVIP

基于对比学习的图异常检测研究综述

一、研究背景与意义

随着互联网技术的快速发展，图数据作为一种能够有效表征实体及其关联关系的数据结构，已经广泛应用于社交网络、金融风控、医疗健康、网络安全等多个关键领域。在这些场景中，异常节点或异常边的识别往往具有极高的价值：社交网络中的异常节点可能对应垃圾账号、恶意营销账号，金融交易网络中的异常边可能代表洗钱、欺诈等非法交易，物联网中的异常节点可能预示着设备故障或网络攻击。传统的图异常检测方法大多依赖手工特征工程，需要领域专家预先定义异常规则，不仅泛化能力有限，而且在面对高维、异质、动态演化的复杂图数据时，检测精度和效率往往难以满足实际需求。

对比学习作为自监督学习领域的核心技术之一，通过构建正负样本对并最大化同类样本表征相似度、最小化异类样本表征距离的方式，能够在无需大量标注数据的前提下学习到数据的高质量隐层表征，为解决图异常检测场景中标注数据稀缺、异常模式复杂多变的问题提供了新的技术路径。近年来，基于对比学习的图异常检测相关研究呈现爆发式增长，已成为数据挖掘和人工智能领域的研究热点，对该领域的研究进展进行系统梳理，不仅能够帮助研究者快速把握领域发展脉络，也能够为相关工程落地提供理论参考。

二、对比学习与图异常检测的核心逻辑

对比学习的核心思想源于人类通过对比区分事物的认知过程，其技术框架主要包括三个核心模块：样本构建模块、特征编码器模块、损失函