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

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

本文提出了一种基于图的异常检测框架 DyGATAD，利用注意机制构建多变量时间序列的连续图表示，并推断时间序列之间的动态边。DyGATAD 结合了基于操作条件感知的重构和基于拓扑的异常评分，从而增强了对关系变化的检测能力，在传感器网络中展示了卓越的集体异常检测性能，尤其在最小严重度故障的早期检测方面表现出特殊优势。

Jul, 2023

基于 Transformer 的 EdgeConvFormer 模型能够从多变量时间序列数据中学习空间 - 时间关联，并在不同尺度的真实世界数据集上实现比现有方法更好的异常检测性能。

Dec, 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

本研究提出了一种基于动态跨序列图的多元时间序列异常检测框架 DyGraphAD，通过利用图的演化特性辅助图和时间序列预测任务，从而根据跨序列关系和时间模式的偏离来检测异常状态，并在实际数据集上验证了其胜过基线异常检测方法的性能。

Feb, 2023

本篇研究提出了一种基于深度图流支持向量数据描述的方法，针对现有工作中长时间延迟模式捕获不足、传感器连接动态变化被忽视以及高维数据样本困扰，采用变分图自编码器模型并建立加权属性图以及超球面，其在各项实验中表现优异，将 F1-score 提升 35.87%、AUC 提升 19.32% 且训练和推断速度比最佳基线快 32 倍。

Feb, 2023

本篇综述介绍了基于图神经网络的图形异常检测的最新进展，将这些方法总结为基于图形类型、异常类型和网络结构，并得出这是第一个基于 GNN 的综合检测图形异常方法的综述。

Sep, 2022

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