arXiv cs.AI· Firas Bayram, Maxime Cordy·· 3 天前AI 评分24
CB-RBM：面向属性图的无监督对抗检测与漂移稳定性
Feature-Context Consistency: Unsupervised Adversarial Detection with Drift Stability on Attributed Graphs
AI 导读
研究者提出 CB-RBM，将属性图中节点特征与邻域聚合特征的一致性形式化为 Context Boost（CB）分数，在受限玻尔兹曼机框架下实现无标签对抗检测。
正文 · AI 翻译
摘要：在动态演化的属性图上的对抗检测面临两个挑战：欺诈标签到达较晚或根本不到达，而自然的分布漂移会侵蚀任何已训练好的决策边界。现代检测器在有标签且分布平稳时可以达到很高的检测率；在没有标签且存在漂移的情况下保持这种质量是一个未解决的问题。我们将特征-上下文一致性——即节点属性与其聚合邻域属性之间的对齐——识别为一个能够同时解决这两个问题的单一结构信号。我们在受限玻尔兹曼机框架（CB-RBM）内将其形式化为上下文提升（CB）分数，并证明两个互补的最坏情况保证：合法节点与对抗节点的期望 CB 之间存在严格分离，且当对抗者的上下文与合法邻域上下文保持足够距离时，该差距随模型容量线性增长；以及在自然漂移下 CB 分布移动幅度的 Wasserstein-Lipschitz 界。我们在 XBlock 以太坊钓鱼（约 153K 节点）和 Reddit 封禁用户检测（约 11K 节点）上进行了验证，附录中还有两个涵盖不同领域的额外数据集。在零标签的情况下，CB-RBM 在四种对抗攻击上达到 AUROC >= 0.96，并在漂移下将 FPR 保持在接近其校准的 5% 目标——优于监督式 GNN（数百个标签）、无监督图异常基线，以及 FPR 崩塌至 89-100% 的标准 RBM。通常需要单独机制才能实现的目标——无标签运行和漂移稳定性——在这里源自数据的单一结构规律。代码：this https URL。
| Subjects: | 机器学习（cs.LG）；人工智能（cs.AI） |
| Cite as: | arXiv:2610.16694 [cs.LG] |
| （或 arXiv:2610.16694v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.16694 由 DataCite 颁发的 arXiv DOI（待注册） |
|
| Journal reference: | Advances in Neural Information Processing Systems 39 (NeurIPS 2026) |
Submission history
来自：Firas Bayram [查看电子邮件]
[v1]
2026年10月12日星期一 12:30:20 UTC（1,729 KB）
来源：arXiv cs.AI · arxiv.org