CB-RBM：无标签对抗节点检测新方法

研究者 Firas Bayram 与 Maxime Cordy 发表论文，提出 CB-RBM——一种无需标签的属性图对抗节点检测方法。其核心是把节点自身属性与邻域聚合属性之间的一致性形式化为 Context Boost（CB）分数，并在受限玻尔兹曼机框架下使用。 据论文称，在零标签条件下，CB-RBM 在四类对抗攻击上 AUROC 不低于 0.96，且在数据漂移下假阳性率仍接近标定的 5%，表现优于需要数百个标签的监督式 GNN、无监督图异常基线，以及假阳性率会崩至 89–100% 的标准 RBM。论文还证明了最坏情况下的两项保证：合法节点与对抗节点的期望 CB 存在严格间隔且随模型容量线性增大，以及 CB 分布在自然漂移下的 Wasserstein-Lipschitz 界限。上述效果均为论文作者的说法。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。