本文提出 MIDAS 算法，用于在线检测动态图中的异常行为，关注于检测突然出现的被怀疑相似的边缘组，比现有方法快 162-644 倍，并提高了 42-48% 的准确性。

Nov, 2019

该论文提出了多种在线算法用于发现动态图和多方面数据流中的异常行为，并探讨了使用记忆模块的自动编码器来处理概念漂移的有效性。

Jan, 2023

StreamSpot 是一种基于聚类的异常检测方法，可以在消耗有限的内存的同时，实时对包含不同节点和边的杂乱图形流进行检测，并可处理超过每秒 100K 条边的数据流。该方法具有良好的性能，并且可以处理从正常浏览器活动到各种攻击情况的各种情况。

Feb, 2016

提出了一种名为 F-FADE 的新方法，该方法使用一种新颖的频率分解技术有效地建模节点对之间交互频率的时变分布，从而检测边流中的异常，并在在线流设置中处理多种具有时态和结构变化的异常，同时仅需要恒定的存储空间。

Nov, 2020

本文提出了 AnomRank 算法，通过两个符合该算法的指标追踪每个节点的得分发现动态图中的突变重要性，实现了动态图的异常检测，其速度快、可扩展性强、理论上的这个方法是可行的，成功检测了两种常见的异常类型：边上的突变重量和图的突然结构变化。

Nov, 2020

我们提出了 SLADE (Self-supervised Learning for Anomaly Detection in Edge Streams) 方法，用于在边缘流中快速检测动态异常，无需依赖标签，并通过观察节点交互模式的偏离来检测节点进入异常状态的变化。在四个真实世界数据集上的动态异常检测中，SLADE 优于九种竞争方法，甚至那些利用标签监督的方法。

Feb, 2024

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

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

本文提出了一种名为 Laplacian Anomaly Detection (LAD) 的方法，用于动态图中的变化点检测，并通过两个滑动窗口显式地建模短期和长期依赖关系。实验结果表明，该方法在动态网络中可以更有效地识别异常时间点。

Jul, 2020

本文提出了一种基于逆累积分布的在线异常检测算法，用于现有实时基础设施中低延迟检测，适用于不可预测的数据模式，并在两个实际微电网操作数据案例中展示了易于使用、快速计算和可部署的优势。

Jan, 2023