AC2L-GAD: Aktiv kontrafaktisches Lernen für Graph‑Anomalieerkennung
Graph‑Anomalieerkennung soll abnormale Muster in Netzwerken aufdecken, steht jedoch vor großen Hindernissen wie wenigen gelabelten Daten und stark unausgeglichenen Klassen. Unüberwachtes kontrastives Lernen hat sich als vielversprechende Lösung erwiesen, doch bisherige Ansätze leiden unter zwei gravierenden Schwächen: zufällige Datenaugmentationen zerstören die semantische Konsistenz positiver Paare, und einfache negative Stichproben führen zu trivialen, wenig informativen Kontrasten.
Die neue Methode AC2L‑GAD („Active Counterfactual Contrastive Learning for Graph Anomaly Detection“) löst diese Probleme durch gezielte kontrafaktische Überlegungen. Durch die Kombination von informationstheoretischer aktiver Auswahl und kontrafaktischer Generierung erkennt das System strukturell komplexe Knoten und erzeugt gleichzeitig anomalienspezifische positive Augmentierungen sowie normale negative Gegenstücke, die harte Kontraste liefern. Gleichzeitig wird die kostenintensive kontrafaktische Generierung auf ein strategisch ausgewähltes Subset beschränkt, was die Rechenlast um etwa 65 % reduziert, ohne die Erkennungsqualität zu beeinträchtigen.
In umfangreichen Experimenten auf neun Benchmark‑Datensätzen – darunter reale Finanztransaktionsgraphen aus GADBench – zeigte AC2L‑GAD eine konkurrenzfähige oder sogar überlegene Leistung im Vergleich zu aktuellen Baselines. Besonders auffällig sind die Verbesserungen bei Datensätzen, in denen Anomalien komplexe Wechselwirkungen zwischen Attributen und Struktur aufweisen.