论文《Deep Anomaly Detection on Attributed Networks》
近期会对多视图属性网络异常检测系列进行学习记录
这篇虽然不是多视图的，但可以说是属性网络上异常检测的典型，已是近年属性网络异常检测必参考的一篇文献。
背景
由于属性网络中附加的节点属性补充了知识发现中的原始网络结构，这让属性网络中异常节点的检测引起了越来越多的研究关注。
动机
因为现有的大多数方法都是基于一种shallow learning的机制，这类方法经常受到网络稀疏性和数据非线性的影响，无法捕捉到不同信息模式之间复杂的交互作用，从而对异常检测的性能产生了负面影响。因此，本文提出了一种deep model，研究了基于属性网络的异常检测问题。
模型与方法
Dominant。
- 利用流行的图卷积网络(GCN)对节点嵌入学习的拓扑结构和节点属性进行无缝建模；
- 通过深层自动编码器来解决异常检测问题，因为它能利用学习到的嵌入来重建原始数据;
- GCN和自动编码器的协同作用使我们能够通过从结构和属性两个角度衡量节点的重建误差来发现异常。
Dominant框架图如下：
实验
数据集如表1所示，对比方法与结果如表2，评价指标两个为Precision@K和Recall@K
个人总结
（1）可以说，Dominant是利用GCN在属性网络上做异常检测的先河，目前属性网络已经发展起来，但对应异常检测的工作还是有必然的缺陷。
（2）2022年AAAI上的AnomMAN（作者还未公开代码）是在多视图属性网络研究下做的，目的是统一考虑各种不同类型的交互行为并检测多视点属性网络中的异常实例，在属性图上运用了注意机制来定义不同视图的重要性，并用图自编码器来解决GCN低通特性的问题，因为在异常检测中，处于高阶的特征往往价值很高，对异常检测至关重要。
（3）另一篇2023AAAI上的AHEAD（已向作者要到代码）也是在多视图属性网络研究下做的，主要是考虑了属性网络中的异质性，也就是说是做的多视图异构图的异常检测，它同时考虑了节点的网络结构、节点属性和节点类型的异质性，用三种不同的attention，node-level、view-level、edge-level，基本思想都是编解码器原理，用三部分的重构损失来作为每个节点的异常分数。
其他
后续会对上面提到的AnomMAN和AHEAD进行学习记录。
