Cet article révèle expérimentalement trois facteurs qui affectent significativement les performances des méthodes de détection d'anomalies de graphes basées sur l'apprentissage auto-supervisé (SSL) : 1) la stratégie SSL utilisée, 2) le réglage des hyperparamètres de la stratégie et 3) l'attribution combinée de pondérations lors de l'utilisation de plusieurs stratégies. De nombreuses méthodes existantes de détection d'anomalies de graphes basées sur SSL sélectionnent ces facteurs de manière arbitraire ou s'appuient sur les informations d'étiquette, ce qui peut entraîner une dégradation des performances ou une surestimation importante des performances (fuite d'informations d'étiquette). Par conséquent, dans cet article, nous proposons une méthode de sélection des hyperparamètres de SSL en présentant une stratégie d'évaluation interne basée sur une analyse théorique pour résoudre ces problèmes. Grâce à des expériences approfondies avec dix algorithmes de détection d'anomalies de graphes basés sur SSL de pointe et divers jeux de données de référence, nous démontrons les lacunes des méthodes de sélection d'hyperparamètres existantes et démontrons l'efficacité de notre stratégie.
