李 佳 香港科技大学（广州）

报告题目： 多级别图异常检测的统⼀框架

演讲摘要：图异常检测（GAD）旨在识别图结构数据中不常见、偏离或可疑的对象。现有⽅法通常专注于单⼀的图对象类型（节点、边、图等），往往忽略了不同图异常对象类型之间的内在联系。例如，⼀笔洗钱交易可能涉及异常账户及其所关联的犯罪团伙。为了解决这个问题，我们提出了 UniGAD，首个能够联合检测节点、边和图级别异常的统⼀框架。综合实验表明，UniGAD 不仅优于现有专门针对单⼀任务的 GAD ⽅法和基于图提示的多任务⽅法，还提供了强⼤的零样本迁移能⼒。

讲者简介：香港科技大学（广州）数据科学与分析学域 助理教授，港科大广州-创邻图数据实验室联合主任。博士毕业于香港中文大学。他在工业界有多年的数据挖掘工作经历，曾供职于Google和腾讯。其研究目前主要为图数据的大模型，异常检测，图神经网络以及基于图数据的药物发现和医疗健康。获得2023年数据挖掘顶会SIGKDD 最佳论文奖。