异常(Anomalies)是罕见的观测结果（如数据记录或事件），与样本中的其他观测结果存在显著差异。在过去的几十年中，由于这些事件在广泛的学科领域（例如，安全、金融和医学）中的影响，异常挖掘的研究受到了越来越多的关注。因此，旨在识别这些罕见观测结果的异常检测已成为世界上最重要的任务之一，并在防止金融欺诈、网络入侵和社交垃圾邮件等有害事件方面显示出其强大的威力。
检测任务通常是通过识别特征空间中的外围数据点来解决的，这本身就忽略了现实世界数据中的关系信息。同时，图被普遍用于表示结构/关系信息，这引发了图异常检测问题-识别单个图中的异常图对象（即节点、边和子图），或一组图/数据库中的异常图。由于图形数据的复杂性（例如，不规则结构、关系依赖、节点/边类型/属性/方向/多重性/权重、大规模等），传统的异常检测技术无法很好地解决这一问题。
本资源整理了有关用于图异常检测的深度学习的论文集，以及已发布的算法和数据集。
资源整理自网络，源地址：https://github.com/XiaoxiaoMa-MQ/Awesome-Deep-Graph-Anomaly-Detection
目录
内容截图
