许多成熟的异常检测方法使用的是样本到其局部邻居的距离:所谓的“局部离群值方法”，如LOF和DBSCAN。它们因其简单的原则和在许多实际应用中常见的非结构化、基于特征的数据上的强大性能而受到欢迎。然而，由于缺乏可训练的参数，它们无法学会适应一组特定的数据。在本文中，我们首先通过展示局部离群值方法是图神经网络中使用的更一般的消息传递框架的特殊情况来统一它们。这允许我们以神经网络的形式将可学习性引入局部离群值方法，以获得更大的灵活性和表现力: 具体来说，我们提出了一种新的基于图神经网络的异常检测方法LUNAR。LUNAR学会使用每个节点最近邻居的信息，以一种可训练的方式来发现异常。我们表明，我们的方法比现有的局部离群值方法和最先进的深基线方法表现得更好。

https://www.zhuanzhi.ai/paper/85418b67f7527007ca3f10e15606344b