[發明專利]一種基于橋接自動編碼器的圖異常節點檢測方法

在審

• 申請號: 202210805143.4
• 申請日: 2022-07-08
• 公開（公告）號: CN115310587A
• 公開（公告）日: 2022-11-08
• 發明（設計）人: 孫玉霞;貝元琛
• 申請（專利權）人: 暨南大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08
• 代理公司: 廣州藍晟專利代理事務所(普通合伙) 44452
• 代理人: 欒洋洋;陳梓赫

1.一種基于橋接自動編碼器的圖異常節點檢測方法，其特征在于，包括具體步驟如下：

步驟一，對輸入圖屬性和拓撲信息進行聯合建模和異常模式挖掘：采用橋接的屬性自動編碼器和結構自動編碼器對輸入圖的屬性信息和拓撲信息進行聯合建模，輸出重構屬性矩陣和重構鄰接矩陣，從屬性重構誤差L_attr和結構重構誤差L_struct挖掘異常模式；

步驟二，對節點編碼表示進行圖表示向量對比：構建圖表示向量對比組件對比整圖表示與各節點表示之間的向量距離并將其作為評判異常性質的一個因素；

步驟三，從多角度聯合進行異常節點評估：從屬性重構、結構重構和表示向量對比的多角度計算各節點的異常分數；

步驟四，整體模型訓練：在訓練目標函數上聯合學習異常檢測的重構損失和表示對比損失并以此來訓練模型。

2.根據權利要求1所述的一種基于橋接自動編碼器的圖異常節點檢測方法，其特征在于，所述對輸入圖屬性和拓撲信息進行聯合建模和異常模式挖掘的具體流程如下：

流程一，子編碼器對輸入信息進行編碼：采用子編碼器對輸入信息進行編碼，以橋接子編碼起到信息橋接作用，以圖注意力網絡作為其基本架構，將輸入的節點信息映射到高階空間的編碼中；

流程二，信息融合：從兩個不同的子編碼器信息源中融合信息；

流程三，屬性解碼器：進行屬性矩陣的重構并根據各節點的重構誤差發現屬性層次的異常節點，以圖卷積神經網絡作為基本架構；

流程四，結構解碼器：以矩陣內積運算進行鄰接矩陣的重構并根據各節點的重構誤差發現拓撲結構層次的異常節點。

3.根據權利要求2所述的一種基于橋接自動編碼器的圖異常節點檢測方法，其特征在于，所述子編碼器的圖注意力網絡的各層計算公式為：

e_i，j＝N(a^T·[Wx_i||Wx_j])

其中，x_i為中心節點v_i的屬性向量，x_j為鄰居節點v_j的屬性向量，e_i，j表示節點v_j對于中心節點v_i的注意力系數，N(·)是一個單層前饋神經網絡，以權重向量a和w作為可訓練參數，Ⅱ為向量拼接操作；

為了使以上注意力系數在不同節點之間易于比較，通過softmax函數進行歸一化得到最終的歸一化注意力系數α_i，j：

其中，N_i表示節點v_i的鄰居節點集合，然后，歸一化注意力系數用于計算與它們對應的特征的線性組合：

其中，x’_i為經過圖注意力層后節點v_i的最終輸出特征。

4.根據權利要求2所述的一種基于橋接自動編碼器的圖異常節點檢測方法，其特征在于，所述信息融合的具體計算過程為：

p＝Tanh(W_fuse·[X′^(a)||X′^(b)])

Z＝p·[X′^(a)||X′^(b)]

其中，X’^(a)和X’^(b)是來自兩個不同的子編碼器的節點編碼矩陣，w_fuse是信息融合模塊中的可訓練權重向量，p是代表輸入屬性中各個維度的權重的向量。

5.根據權利要求2所述的一種基于橋接自動編碼器的圖異常節點檢測方法，其特征在于，所述圖卷積神經網絡的各層計算公式為：

其中，是對稱歸一化鄰接矩陣，是的度矩陣(I是單位矩陣)，H^(l)和w^(l)分別是第l層圖卷積層的輸入特征和訓練參數，σ(·)是任一種非線性激活函數。