Awesome-Deep-Graph-Anomaly-Detection

该合集是一个关于图异常检测的数据集资源集合，专注于收集和整理与图异常检测相关的常用基准数据集。它涵盖了多个领域，包括引用/合著网络、社交网络、共购网络和交通网络等，为研究人员提供了数据集索引和推荐。

This collection is a dataset resource repository focused on graph anomaly detection, dedicated to collecting and curating commonly used benchmark datasets related to this field. It covers multiple domains including citation/co-authorship networks, social networks, co-purchase networks, transportation networks and more, and provides researchers with dataset indices and recommendations.

原始信息汇总

数据集详情总结

该页面是一个关于深度学习图异常检测的论文、算法和数据集集合（Awesome List），并非一个单一的数据集，而是为该领域提供综合资源索引。

---

主要内容结构

1. 时间线：提供图异常检测领域的发展时间线（链接至一篇TKDE综述）。
2. 综述论文：收录了18篇相关综述论文，涵盖深度学习、异常检测、欺诈检测等主题，时间跨度从2009年至2021年，发表于TKDE、ACM Comput. Surv.、AAAI等会议和期刊。
3. 方法分类：
   • 异常节点检测：收录31种方法，如ComGA、CoLA、ANEMONE、GAL、CARE-GNN等，多数提供开源代码。
   • 异常边检测：收录6种方法，如TADDY、AddGraph、NetWalk等。
   • 异常子图检测：收录3种方法，如SliceNDice、DeepFD、FraudNE。
   • 异常图级检测：收录4种方法，如UPFD、OCGIN等。
   • 基于图的异常检测方法：收录5种应用于特定领域（如电网、物联网、恶意软件）的方法。
4. 开源库：列出了两个图异常检测开源库：
   • pygod：GitHub链接。
   • DGFraud：GitHub链接。
5. 数据集：按照应用场景分类列出了常用的基准数据集及其来源链接。
6. 工具：提及可视化工具Gephi。

---

数据集汇总

页面按类别列出了推荐使用的数据集及其获取地址：

类别	数据集名称	来源/链接
经常使用的基准数据集	BlogCatalog	位于该仓库的 Datasets 目录下
	ACM	位于该仓库的 Datasets 目录下
	Flickr	位于该仓库的 Datasets 目录下
引文/合著网络	Citeseer, Cora, Pubmed	https://linqs.soe.ucsc.edu/data
	DBLP	http://snap.stanford.edu/data/com-DBLP.html 等
	ACM	http://www.arnetminer.org/open-academic-graph
社交网络	Enron	http://odds.cs.stonybrook.edu/#table2
	UCI Message	http://archive.ics.uci.edu/ml
	Google+, Twitter Sybil	https://wangbinghui.net/dataset.html
	Twitter World-Cup2014, Twitter Security2014, Reality Mining, NYTNews	http://shebuti.com/SelectiveAnomalyEnsemble/
	Politifact, Gossipcop	https://github.com/safe-graph/GNN-FakeNews
共同购买网络	Disney Calls, Amazon-v1	https://www.ipd.kit.edu/mitarbeiter/muellere/consub/
	Amazon-v2, Yelp	https://github.com/dmlc/dgl/blob/master/python/dgl/data/fraud.py
	Elliptic	https://www.kaggle.com/ellipticco/elliptic-data-set
交通网络	New York City Taxi	http://www.nyc.gov/html/tlc/html/about/triprecorddata.shtml

---

核心任务与代表性方法

页面将图异常检测任务分为四类，并列出代表性方法（部分含代码链接）：

• 异常节点检测：任务为检测图中属性或结构异常的节点。代表方法包括：ComGA、CoLA、ANEMONE、GAL、CARE-GNN、DONE/AdONE、Dominant、OCAN 等。
• 异常边检测：任务为检测图中异常的边（连接）。代表方法包括：TADDY、AddGraph、NetWalk 等。
• 异常子图检测：任务为检测图中异常的连通子图。代表方法包括：SliceNDice、DeepFD、FraudNE。
• 异常图级检测：任务为检测异常的整个图。代表方法包括：UPFD（假新闻检测）、OCGIN、DeepSphere。

搜集汇总

数据集介绍

构建方式

在图异常检测这一前沿研究领域中，图结构数据的异常模式识别已成为数据挖掘与网络安全交叉方向的核心议题。该数据集以系统化文献综述为基石，通过爬取与人工筛选相结合的方式，从顶级学术会议与期刊（如TKDE、SIGKDD、AAAI等）中收录了近年来基于深度学习的图异常检测代表性论文。构建过程遵循严格的质量控制标准，确保收录的每篇论文均具备可验证的算法模型与实验基准，最终形成涵盖节点异常、边异常、子图异常及图级异常四大检测任务的综合性文献库。

使用方法

使用者可依据研究需求灵活调用该数据集资源。对于方法调研，可按照异常检测任务类型（节点/边/子图/图级）或时间线图谱快速定位相关文献及其开源代码。对于实验验证，可直接获取整理的基准数据集（如Citeseer、Cora、Pubmed等引文网络，或Enron、Twitter等社交网络数据），并借助提供的开源库（如pygod）进行算法复现与性能对比。此外，该数据集还整合了Gephi等可视化工具，便于对检测结果进行直观分析与呈现。

背景与挑战

背景概述

图异常检测作为数据挖掘与网络科学交叉领域的关键课题，旨在从复杂网络结构中识别出偏离常规模式的节点、边或子图，广泛应用于欺诈检测、社交网络异常行为识别及金融风控等领域。随着深度学习技术的迅猛发展，基于图神经网络的异常检测方法逐渐成为研究热点。Awesome-Deep-Graph-Anomaly-Detection项目由Xiaoxiao Ma等研究人员于2021年创建，系统梳理了该领域自2012年以来的核心文献、算法与基准数据集，涵盖异常节点、边、子图及图级检测四大任务。该项目通过构建时间线、整理开源工具库（如PyGOD、DGFraud）及标准化数据集（如BlogCatalog、ACM、Flickr），为研究者提供了全面的知识图谱与实验基准，显著推动了图异常检测领域的方法演进与成果复现。

当前挑战

图异常检测面临的核心挑战在于异常模式的多样性与隐蔽性。在领域问题层面，异常节点可能呈现同质性伪装（如欺诈用户模仿正常行为），异常边则常藏匿于动态演化网络中，而子图级异常需从多属性实体群中挖掘复杂关联，这对模型的特征表示能力与抗干扰性提出严苛要求。构建过程中，数据集面临标注稀疏与类别不平衡困境，真实场景中异常样本占比极低（如金融欺诈<1%），导致监督学习易过拟合；同时，大规模图数据（如社交网络百万级节点）的存储与计算开销巨大，现有基准数据集（如Cora、DBLP）规模有限，难以充分验证算法在工业级场景下的泛化性能。此外，跨领域迁移时，不同网络结构（如引文网络与交易网络）的异质性进一步加剧了方法适配的难度。

常用场景

经典使用场景

在复杂网络分析领域，图异常检测旨在从图结构数据中识别偏离正常模式的节点、边或子图。该数据集汇总了基于深度学习的图异常检测前沿研究，经典使用场景涵盖异常节点检测、异常边检测、异常子图检测及图级异常检测。例如，在属性网络中，通过图神经网络（GNN）与对比学习框架，可有效识别社交网络中的虚假用户或学术合作网络中的异常研究团体。这些场景依赖图拓扑与节点属性的一致性建模，为后续算法评估提供了标准化基准。

解决学术问题

该数据集系统解决了图异常检测中若干关键学术难题：如何在高维稀疏属性网络中区分异常与噪声，如何应对伪装欺诈者的同配性欺骗行为，以及如何在动态图中捕捉时序异常模式。通过整合CARE-GNN、DOMINANT、CoLA等经典模型，该资源推动了图自编码器重构异常、对比学习表征异常及元学习跨网络异常迁移等理论发展。其意义在于将异常检测从传统统计方法拓展至深度学习范式，显著提升了金融欺诈、网络入侵等场景的检测鲁棒性。

实际应用

实际应用中，该数据集涵盖的算法已部署于电商欺诈检测（如eFraudCom系统识别虚假交易）、社交媒体虚假新闻传播追踪（UPFD模型分析用户偏好传播链）及工业物联网异常监控（GNN分析传感器网络时序异常）。在金融领域，SemiGNN等模型通过融合用户行为图与关系图，实现了信用卡套现团伙的精准识别；在网络安全领域，NF-GNN利用网络流图特征检测恶意软件，展现了图异常检测从实验室到产业落地的强大迁移能力。

数据集最近研究

最新研究方向

在图数据日益复杂的当下，深度图异常检测正成为网络安全与金融风控领域的前沿焦点。该数据集系统梳理了基于深度学习的图异常检测研究脉络，尤其聚焦于节点、边及子图级别的异常识别，并涵盖了从自监督对比学习到图神经网络欺诈检测的最新方法。随着虚假信息泛滥与交易欺诈愈演愈烈，该领域的研究已从静态图结构拓展至动态时序图与跨域元学习，旨在捕捉隐蔽性更强的异常模式。这一系统性资源不仅为学术界提供了基准数据集与开源工具，更推动了图异常检测在实际应用中的落地与进化。