2025-01-06 17:18 点击次数：141
AIxiv专栏是机器之心发布学术、时刻本体的栏目。畴前数年，机器之心AIxiv专栏采用报说念了2000多篇本体，掩饰民众各大高校与企业的顶级执行室，有用促进了学术疏浚与传播。淌若您有优秀的责任念念要共享咪咪色吧，迎接投稿或者相干报说念。投稿邮箱：liyazhou@jiqizhixin.com；zhaoyunfeng@jiqizhixin.com
此项磋议恶果已被 AAAI 2025 请托。该论文的第一作家是南洋理工大学计算与数据科学学院 (CCDS) 的硕士生杨潇，师从苗春燕提拔，主要磋议地方是图神经鸠集。该论文的通信作家为南洋理工大学百合磋议中心的瓦伦堡 - 南洋理工大学校长博士后磋议员赵雪娇；申志奇，南洋理工大学计算与数据科学学院高等讲师，高等磋议员。
论文标题：A Generalizable Anomaly Detection Method in Dynamic Graphs
论文贯串：https://arxiv.org/abs/2412.16447
代码：https://github.com/YXNTU/GeneralDyG
磋议布景与问题面孔
跟着动态图数据的粗拙应用，它在应酬鸠集、电商和鸠集安全等领域展现了巨大的建模能力。可是，与静态图比拟，动态图因节点和边的动态演变特色，给数据分析带来了更大的挑战，尤其是在绝顶检测方面。绝顶检测是保险系统安全和数据好意思满性的重要任务，旨在识别显耀偏离日常模式的绝顶事件，举例诈骗交游、应酬媒体垃圾信息和鸠集入侵等。实时发现这些绝顶对系统的可靠性和安全性至关紧迫。
基于深度学习的动态图绝顶检测关节已得回一定发达，举例诳骗图神经鸠集索要结构信息或通逾期序模子拿获时辰依赖性。可是，这些关节在通用性方面仍存在显耀不及。具体而言，它们每每难以适宜不同的数据集和任务场景，难以高效拿获动态图中局部与全局的复杂特征。此外，一些关节在处理大领域动态图时计算资本较高，绝顶事件的编码也不够准确，导致在新场景中的检测性能显耀下落。
关节设想
本文针对动态图绝顶检测中的数据散播各样、动态特征捕捉辛苦以及计算资本高三大挑战，提议了一种通用关节（GeneralDyg）。最初，为布置数据散播各样问题，咱们索要节点、边偏激拓扑结构的重要信息，从而适宜不同数据集的复杂特征散播。其次，为经管动态特征捕捉的难题，咱们连结全局时辰动态和局部结构变化，深远建模动态图中的多圭表动态模式。临了，为裁减计算资本，咱们构建了一种轻量化框架，约略高效拿获重要动态特征，同期显耀擢升计算遵循。
如图 1 所示，本文关节由三部分组成，每部分针对上述挑战提供了经管决策：
（a）时辰 ego-graph 采样模块，通过构建紧凑的子图结构有用布置计算资源甘休；（b）图神经鸠集索要模块，全面拿获动态图的节点与边的各样性和复杂结构；（c）时辰感知 Transformer 模块，有用会通全局和局部动态特征。
图 1 ：动态图绝顶检测框架 GeneralDyG 的举座架构
（a）时辰 ego-graph 采样模块旨在通过构建紧凑的子图结构有用缓解动态图大领域数据带来的计算压力。具体来说，该模块基于中隐痛件，通过 k-hop 算法索要其周围交互历史，组成时辰 ego-graph。k-hop 算法的设想探究了事件间的时辰礼貌与拓扑关系，确保采样过程兼顾时辰动态与结构特色。此外，为了捕捉事件之间的层级关系，该模块引入了特殊标记（如层级标记绚烂）来分隔不同头绪的交互信息。这些标记约略匡助 Transformer 模块更好地识别与学习时辰序列中的层级动态。此外，该模块还通过甘休 k 的范围来限度采样的领域，从而在信息好意思满性与计算遵循之间得回均衡。这么的设想在保留动态结构信息的同期，显耀裁减了计算复杂度。
（b）在时辰 ego-graph 的基础上，本文设想了一种新的图神经鸠集（TensGNN）来索要丰富的结构信息。TensGNN 通过轮换应用节点层和边层来终局特征信息的传播与更新，从而在节点特征和边特征之间构建强关联。具体而言，节点层诳骗节点的贯串矩阵和特定拉普拉斯矩阵进行卷积运算，同期连结边的特征更新节点暗意。相应地，边层则基于边的贯串关系和节点的情状更新边的特征暗意。这种轮换堆叠的模式约略更好地捕捉动态图中的局部与全局特色。此外，该模块引入了轻量化的算子，幸免了冗余计算，在大领域数据集上也能保握较高的计算遵循。
（c）时辰感知 Transformer 模块：临了，GeneralDyG 通逾期辰感知 Transformer 模块整合时辰序列和结构特征。在自扎想法机制中，模子远隔诳骗 Query 和 Key 编码图的拓扑结构信息，而将 Value 保留为原始事件特征，以确保绝顶检测的准确性。通过这一模块，模子约略有用拿获动态图中全局的时辰依赖性和局部的动态变化，从而终局对复杂绝顶模式的准确建模。
执行考证
本文在节点级别（node level）和边级别（edge level）两个层面上进行了执行评估，使用了四个真是数据集：SWaT 和 WADI 用于节点级别绝顶检测，Bitcoin-Alpha 和 Bitcoin-OTC 用于边级别绝顶检测。
咱们将 GeneralDyG 与 20 种主流基线关节进行对比，这些基线关节涵盖了图镶嵌（如 node2vec、DeepWalk）和绝顶检测（如 TADDY、SAD、GDN）两大类别。执行通过 AUC、AP 和 F1 等打算全面评估模子性能，并在不同绝顶比例（1%、5%、10%）下进行了系统性测试。遣散标明，GeneralDyG 在所特殊据集上均显耀优于现存关节，展现了非凡的通用性与检测能力，如图 2 所示。
日本av女友
图 2 Bitcoin-Alpha 和 Bitcoin-OTC 数据集上的边绝顶检测性能对比。
回来
总的来说，咱们提议了一种通用的动态图上绝顶检测关节 GeneralDyg，经管数据散播各样、动态特征拿获难和计算资本高三大中枢问题，GeneralDyG 展现了非凡的通用性和鲁棒性咪咪色吧，为动态图绝顶检测提供了一种高效且通用的经管决策。详备关节经由以及执行遣散请参考原文。