图结构化数据中的异常检测:一项调查
本文综述了最新的用于检测以图形表示的数据中异常值的方法和算法,包括在不同场景下的无监督和(半)监督方法,以及针对属性和普通图的静态和动态图。作者强调了异常归因的重要性,并介绍了根据检测到的异常挖掘其根本原因的技术。除此之外,作者还列举了金融、拍卖、计算机流量和社交网络等领域中基于图形的异常检测的若干真实应用,并讨论了该领域的理论和实践挑战。
Apr, 2014
本文综述了现代深度学习技术在图异常检测中的应用,编译了开放资源的实现、公共数据集和常用评估方法,重点强调了 12 个未解决和新兴的研究问题和现实世界的应用。
Jun, 2021
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
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
提出了一种使用深度学习和 graph neural networks 检测高维时间序列数据中的异常事件的方法,通过学习传感器间复杂关系的结构和注意力权重提供被检测异常事件的解释和根因分析,在真实世界传感器数据集实验中,该方法比基线方法更准确地捕获传感器间关联并检测到异常事件。
Jun, 2021
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
本论文的主要目的是针对机器学习在医疗异常检测中的应用进行理论分析,提供关于流行的深度学习技术的全面的系统性回顾,比较和对比它们的架构差异和训练算法,并提供了用于解释模型决策的深度模型解释策略的综合概述。此外,指出现有深度医疗异常检测技术的主要局限性并提出未来的关键研究方向。
Dec, 2020