解耦异常鉴别和表示学习：自监督学习用于属性图的异常检测（英文版）

英文标题：Decoupling anomaly discrimination and representation learning: self-supervised learning for anomaly detection on attributed graph中文摘要：本文提出了一种独特的算法 DSLAD，它是一种自监督方法，可将异常检测的异常磨合和表示学习分离。DSLAD 使用双线性池化和掩蔽自编码器作为异常磨合器。通过解耦异常磨合和表示学习，构建了一个平衡的功能空间，节点之间的语义辨别性更强，同时可以解决数据分布失衡问题。在各种六个基准数据集上进行的实验表明 DSLAD 的有效性。英文摘要：Anomaly detection on attributed graphs is a crucial topic for its practicalapplication. Existing methods suffer from semantic mixture and imbalance issuebecause they mainly focus on anomaly disc