动态图的拉普拉斯变点检测
我们提出了一种新的谱方法:Scalable Change Point Detection(SCPD),它可以有效地检测动态图中的异常变化点,同时可以捕获到节点属性的变化, 该方法具有可扩展性且能快速处理数百万条边,可以处理大量节点属性,进行了大量的实验表明,SCPDM 具有最先进的性能,可以发现大型现实世界图中的有趣事件。
May, 2023
本研究介绍了一种有效率高的算法,用于在动态网络的快照模型下,检测变化点,并将此算法应用到合成和真实世界网络上,速度比现有技术提高 9 倍,并且效果也得到了提升。
May, 2017
该综述报告全面而概念性地介绍了使用动态图进行异常检测的方法,重点关注基于图的异常检测技术及其在动态网络中的应用,总结了现有研究的优势、限制和未来挑战,以指导未来的研究工作和推动动态图中的异常检测技术进展。
May, 2024
本文利用生成潜在位置模型将变点检测问题定义为假设检验问题,关注时间序列的随机块模型这一特殊情形,并分析了基于不同局部统计方法的两类扫描统计量的极限分布和功率特性,并在合成数据和 Enron 电子邮件语料库上理论和性能比较,证明了两种统计量在一个简单境况下是可接受的,而其中一种统计量在第二种境况下是不可接受的。
Jun, 2013
本研究在一个在线概率学习框架中,首次将网络变化点检测问题形式化,并引入了一种可靠的方法。该方法结合了广义分层随机图模型和贝叶斯假设检验,可以定量确定变化点何时、如何精确地发生。在使用已知类型和大小变化点的合成数据进行分析时,证明该方法比以前使用的几种替代方法更准确。应用于两个高分辨率的演化社交网络场景,该方法识别了一系列的变化点,并与这些网络已知的外部 “冲击” 相一致。
Mar, 2014
连续时间动态图中的异常检测是一个新兴领域,本文通过结构化分析以及图表示学习,对这些图中的异常连接进行识别。通过引入精细分类法并将类型化的异常注入图中,我们的方法可以在时间、结构和上下文三个方面产生具有一致模式的连续时间动态图,从而使得时间图方法能够学习到链接异常检测任务。在合成和真实数据集上进行的综合实验通过验证我们的异常和正常图形的分类法、生成过程以及对链接预测方法的异常检测适应方法。我们的研究结果进一步揭示了不同学习方法在捕捉图形正常性的不同方面和检测不同类型异常方面的优势,为未来的研究提供了机遇。
May, 2024
在动态图上进行异常检测的研究主要关注于检测行为明显偏离图和时间信息内观察到的规范的实体,已吸引了金融、网络安全、社交网络等领域的极大关注。然而,现有的方法面临两个挑战:动态结构构建挑战 - 难以捕捉带有复杂时间信息的图结构,负采样挑战 - 无法构建优秀的负样本用于无监督学习。为了应对这些挑战,我们提出了基于动态图的无监督生成式异常检测 (GADY)。针对第一个挑战,我们提出了一个连续动态图模型来捕捉精细的信息,打破了现有离散方法的限制。具体而言,我们采用消息传递框架结合位置特征来获得边缘嵌入,通过解码来识别异常。为了解决第二个挑战,我们首次使用生成对抗网络生成负交互。此外,我们设计了一个损失函数来改变生成器的训练目标,同时确保生成样本的多样性和质量。大量实验证明了我们提出的 GADY 在三个现实世界数据集上明显优于先前的最先进方法。补充实验证实了我们模型设计的有效性以及每个模块的必要性。
Oct, 2023
本文提出了一种半监督异常检测(SAD)的框架来处理动态图数据,并将时间内存库和伪标签对比学习模块相结合,充分利用未标记样本,可以有效地发现和检测动态图数据中的异常,即使只有少量标记数据也能优于现有先进方法
May, 2023
本文提出了一种用于动态图的基于 Transformer 的异常检测框架 (TADDY),通过建立全面、信息丰富的节点编码策略和捕捉动态图的时空耦合模式进行节点的异常检测,该方法在六个真实世界数据集上表现优于现有的最先进方法。
Jun, 2021
本文提出了一种基于 persistent diagram、lower-star filtration 和 Betti 函数的方法,可以高效地从时变图数据中提取形状信息,并在模拟研究和实际数据应用中表现出优越的性能,尤其是对于变点检测和加密货币网络异常价格预测。
May, 2023