基于网络增强联合稀疏典型相关分析的异常节点检测模型

来源：计算机测量与控制杂志2025年第7期北京时间：

作者：高燕,崔鸿雁,刘诚,符佳慧

单位：中国电子科技集团公司第三十研究所

摘要：节点带有属性的网络称为属性网络,检测属性网络中的异常节点在现实世界有着广泛应用,如检测社交媒体上的虚假信息传播者、造成交通网络拥堵的特殊用户、金融欺诈者、通信中的电信诈骗者等。现有方法主要通过图神经网络学习节点表示,检测异常节点。然而,基于图神经网络的检测方法存在节点特征学习不准确、模型过拟合的问题。本文提出一种基于网络增强联合稀疏典型相关分析的异常节点检测模型NEAnomSCCA。该模型构建增强网络,消除网络中的孤立节点和子图,确保模型准确学习节点特征,同时增加随机特征,提升模型泛化能力；在图神经网络模型提取节点特征的基础上,计算重构误差检测出网络中的大多数异常；计算典型稀疏向量,处理高维的稀疏数据,检测出特定的异常。最后,综合每个节点的重构误差和典型稀疏向量的相关性,计算异常得分,检测异常节点。在BlogCatalog、Cora、Citeseer、Pubmed四个现实世界的数据集上与JAANE、ARISE、PROPOSED等模型进行了对比实验,结果表明NEAnomSCCA同当前最优模型相比AUC值分别提高了1.13%、1.35%、1.11%、3.33%。

关键词：属性网络;异常节点检测;稀疏典型向量分析;网络增强;图神经网络