Awesome-Graph-Anomaly-Detection

该合集专注于图异常检测领域，收录了相关的论文、代码和数据集资源，包括基准数据集（如注入数据集和真实世界异常数据集），并按照单视图静态图、多视图静态图、时序图等类别组织，旨在提供该领域的最新方法和数据集集合。

This collection focuses on the field of graph anomaly detection, curating relevant papers, code, and dataset resources. It includes benchmark datasets such as injection datasets and real-world anomaly datasets, and organizes these resources into categories including single-view static graphs, multi-view static graphs, and temporal graphs. The collection aims to provide the latest methodological and dataset collections for this research field.

原始信息汇总

Awesome Graph Anomaly Detection 数据集详情

该仓库汇集了图异常检测领域的最新方法、论文、代码和基准数据集。

基准数据集

单视图静态图

注入异常数据集

通过注入方式向原本无异常的数据集中添加异常节点，包含特征异常和结构异常。

数据集	节点数	边数	特征数	异常数	链接
BlogCatalog	5,196	171,743	8,189	300	BlogCatalog
Flickr	7,575	239,738	12,407	450	Flickr
ACM	16,484	71,980	8,337	600	ACM
Cora	2,708	5,429	1,433	150	Cora
Citeseer	3,327	4,732	3,703	150	Citeseer
Pubmed	19,717	44,338	500	600	Pubmed

真实异常数据集

这些数据集本身包含异常节点。

数据集	节点数	边数	特征数	异常数	链接
Amazon	1,418	3,695	21	28	Amazon
Enron	13,533	176,987	20	5	Enron
YelpChi	45,954	3,846,979	32	6,677	YelpChi
T-Finance	39,357	21,222,543	10	1,803	T-Finance
T-Social	5,781,065	73,105,508	10	174,010	T-Social
Elliptic	46,564	73,248	93	4,545	Elliptic

论文与代码分类

重要综述与基准论文

• TKDE 2021: A Comprehensive Survey on Graph Anomaly Detection with Deep Learning
• NeurIPS 2022: BOND: Benchmarking Unsupervised Outlier Node Detection on Static Attributed Graphs

单视图静态图方法

传统方法：包括基于密度（LOF）、结构聚类（SCAN）、属性邻域排序（AMEN）、残差分析（Radar）、联合建模（ANOMALOUS）等。

深度方法分为：

• 重建方法：如 Deep Anomaly Detection、ResGCN、HO-GAT、ComGA、vGOD、GAD-NR
• 强化学习方法：GraphUCB、RARE-GNN、RAND
• 生成对抗网络方法：Inductive Anomaly Detection、GAN异常检测
• 滤波方法：AMNet、Rethinking Anomaly Detection、SplitGNN、GFCN
• 单类SVM方法：Subtractive Aggregation、OCGNN
• 元学习方法：Meta-GDN、MetaGAD
• 对比学习方法：CoLA、ANEMONE、GRADATE、NLGAD、PREM、Learning Node Abnormality、AEHCL、Fraud Detection
• 混合方法：SL-GAD、Sub、Counterfactual Graph Learning、ARISE
• 其他自监督方法：Hop-count Based、CaCo
• 注意力方法：DRAG
• 跨域方法：ACT
• 其他方法：LUNAR、Beyond Homophily、COFD、CLAD、AugAN

多视图静态图方法

• 重建方法：A Deep Multi-View Framework（TKDE 2022）

时序图方法

针对单视图时序图的节点级异常检测。

图级异常检测方法

• Raising the Bar（IJCAI 2022）
• Dual-discriminative GNN（NeurIPS 2022）
• GLocalKD（WSDM 2022）
• GOOD-D（WSDM 2023）
• GmapAD（KDD 2023）
• CVTGAD（ECML PKDD 2023）
• SIGNET（NeurIPS 2023）

其他相关资源

• awesome-multi-view-clustering
• Incomplete Multi-view Clustering
• Awesome Deep Graph Clustering

搜集汇总

数据集介绍

构建方式

图异常检测作为图分析领域的关键任务，旨在识别图中偏离正常模式的节点或子图。Awesome-Graph-Anomaly-Detection数据集通过系统化梳理学术界前沿成果构建而成，其核心内容涵盖三大模块：首先，汇编了从传统方法（如LOF、SCAN）到深度学习范式（包括重构、对比学习、元学习等方向）的百余篇论文及对应代码；其次，整理了注入型异常数据集（如BlogCatalog、Flickr）与真实世界异常数据集（如Amazon、YelpChi），并提供节点数、边数、特征维度等关键统计信息；最后，收录了多篇综述论文与基准测试工作，形成完整的知识体系。

使用方法

研究者可直接通过GitHub仓库的目录导航浏览论文与代码，并按需筛选方法类别。对于算法复现，数据集提供了各论文的官方代码链接，用户可基于PyTorch等框架直接运行。基准数据集部分附带了下载地址，支持在注入型数据集（如Cora、Pubmed）上进行可控实验，或在真实异常数据集（如YelpChi、Elliptic）中验证模型实际性能。此外，仓库维护者鼓励社区贡献，研究者可通过邮件提交新成果，推动数据集的持续更新与扩展。

背景与挑战

背景概述

图异常检测作为图数据挖掘领域的关键分支，致力于识别图中偏离常规模式的节点或子图，在金融欺诈检测、网络入侵防御及社交网络异常行为分析等场景中具有重要应用价值。Awesome-Graph-Anomaly-Detection数据集由国防科技大学等机构的研究人员创建，系统梳理了从传统方法（如LOF、SCAN）到深度学习范式（包括基于重构、对比学习、生成对抗网络等）的图异常检测前沿进展。该资源整合了单视图静态图、多视图静态图及时序图等多种场景下的论文、代码与基准数据集，涵盖了注入型异常和真实世界异常两类测试数据，为领域内研究者提供了全面的技术参考与评估平台，对推动图异常检测算法的标准化对比和跨领域迁移具有显著影响力。

当前挑战

当前图异常检测面临的核心挑战在于：第一，真实世界图数据中异常节点具有高度稀疏性与多样性，异常模式常与正常行为交织，导致传统基于同质性假设的方法难以有效区分；第二，构建大规模、高质量的真实异常数据集困难重重，如YelpChi和T-Social等数据集需处理海量边与特征，标注成本极高且存在类别不平衡问题；第三，现有方法在跨图泛化能力上表现不足，注入型异常（如Cora、ACM）与真实场景异常（如Elliptic）之间的分布差异显著，模型易过拟合于特定噪声模式；第四，时序动态图异常检测尚处于起步阶段，缺乏有效的时序依赖建模手段，同时多视图信息融合与可解释性需求也对算法设计提出了更高要求。

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与大多数节点或边存在显著差异的异常实体。Awesome-Graph-Anomaly-Detection数据集汇总了涵盖单视图静态图、多视图静态图及动态时序图等多种场景的基准数据集，如BlogCatalog、Flickr、YelpChi和Elliptic等，广泛应用于节点级与图级异常检测方法的评估。研究者常借助这些数据集验证基于重构、对比学习、生成对抗网络或图滤波等技术的算法性能，以衡量其在识别欺诈节点、异常连接或异常子图方面的有效性，成为推动图异常检测领域发展的核心测试平台。

解决学术问题

该数据集系统性地解决了图异常检测研究中缺乏统一、标准化基准的学术困境。通过整合注入型数据集（如Cora、Pubmed）和真实世界异常数据集（如Amazon、T-Finance），它使得研究者能够公平比较不同方法的性能，从而深入探讨特征异常与结构异常对检测精度的影响。此外，它促进了针对异配图、类别不平衡及跨域泛化等挑战性问题的研究，例如BOND基准揭示了无监督异常节点检测的瓶颈，而后续工作如AMNet和Rethinking-Anomaly-Detection则针对异配性提出了创新解决方案，显著提升了模型在复杂场景下的鲁棒性。

实际应用

在实际应用中，该数据集催生的检测技术已广泛部署于金融欺诈识别、社交网络异常行为监测及区块链交易反洗钱等关键领域。例如，YelpChi和T-Finance数据集模拟了电商评论欺诈与金融交易异常场景，基于此训练的模型能够实时识别虚假用户或可疑资金流动。Elliptic数据集则聚焦于比特币交易网络，帮助执法机构追踪非法交易。这些应用不仅提升了风险防控的自动化水平，还通过早期预警机制减少了经济损失，展现了图异常检测技术在维护数字生态系统安全中的核心价值。

数据集最近研究

最新研究方向

在图异常检测这一前沿领域，随着图神经网络技术的蓬勃发展，该数据集所汇聚的研究正从传统的静态单视图分析向多视图与时序图动态演化，并涌现出基于对比学习、自监督学习、元学习及生成对抗网络等创新范式的异常检测方法。近年来，针对金融欺诈、社交网络恶意行为等现实世界中的高风险事件，研究者愈发关注如何在异质性高、标签稀缺的复杂图结构中精准识别异常节点，推动模型向更强的鲁棒性与泛化能力迈进。该数据集的系统梳理不仅为学术界提供了标准化基准，更助力工业界在反洗钱、网络入侵检测等关键场景中部署更可靠的智能决策系统。