动态图中的异常检测:综合调查
综述了基于图数据的异常检测技术,包括应用领域、假设和技术分类、改进方法的基本研究思路以及现有技术的优缺点,最后探讨了基于图结构数据的异常检测领域的未来研究方向。
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
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
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
本研究介绍了一种基于金融领域的动态图表 DGraph,其中包含约 3M 个节点和 4M 个动态边缘,通过对 DGraph 的全面观察和实验证明,DGraph 对于推进图形异 常检测研究并深入探索异常节点非常有用,同时还表明未标记的节点对于检测欺诈者也是至关重要的。
Jun, 2022