摘要
将图形神经网络(GNN)与对比学习相结合用于异常检测近年来受到了越来越多的关注。现有的图形对比异常检测(GCAD)方法主要侧重于通过图形增强和多尺度对比度模块来提高检测能力。然而,这些模块如何工作的基本机制尚未得到充分探讨。我们深入研究了多尺度和图形增强机制,发现多尺度对比度模块并没有增强表达,而多GNN模块是隐藏的贡献者。以前的研究倾向于将多GNN带来的好处归因于多尺度模块。在本文中,我们深入研究了这一误解,并提出了Multi-GNN和Augmented Graph对比框架MAG,它统一了现有GCAD方法中的对比自监督视角。我们从MAG框架中提取了两种变体,L-MAG和M-MAG。L-MAG是MAG的轻量级实例,其性能优于Cora和Pubmed上的最先进技术,计算成本低。配备多GNN模块的变型M-MAG进一步提高了检测性能。我们的研究揭示了现有GCAD方法的缺点,并展示了多GNN和图形增强模块的潜力。我们的代码位于https://anonymous.4open.science/r/MAG-Framework-74D0。