DeNoise: Robustes Graph‑Representation‑Training für Anomalie‑Erkennung
Mit dem rasanten Anstieg von graphbasierten Daten in kritischen Bereichen wird die unsupervised Graph‑Level Anomaly Detection (UGAD) immer wichtiger. Ziel ist es, komplette Graphen zu identifizieren, die von normalen Verhaltensmustern abweichen. Traditionelle Graph Neural Network‑Ansätze gehen jedoch davon aus, dass das Trainingsset ausschließlich aus normalen Graphen besteht – ein Szenario, das in der Praxis selten zutrifft. Schon geringe Kontaminationen mit anomalen Graphen können die erlernten Repräsentationen verfälschen und die Leistung stark beeinträchtigen.
