AIxiv专栏是呆板之心宣布学术、技巧内容的栏目。从前数年，呆板之心AIxiv专栏接受报道了2000多篇内容，笼罩寰球各年夜高校与企业的顶级试验室，无效增进了学术交换与传布。假如你有优良的任务想要分享，欢送投稿或许接洽报道。投稿邮箱：
[email protected]；
[email protected]此项研讨结果已被 AAAI 2025 任命。该论文的第一作者是南洋理工年夜学盘算与数据迷信学院 (CCDS) 的硕士生杨潇，师从苗春燕教学，重要研讨偏向是图神经收集。该论文的通信作者为南洋理工年夜学百合研讨核心的瓦伦堡 - 南洋理工年夜黉舍长博士后研讨员赵雪娇；申志奇，南洋理工年夜学盘算与数据迷信学院高等讲师，高等研讨员。论文题目：A Generalizable Anomaly Detection Method in Dynamic Graphs论文链接：https://arxiv.org/abs/2412.16447代码：https://github.com/YXNTU/GeneralDyG研讨配景与成绩描写跟着静态图数据的普遍利用，它在交际收集、电商跟收集保险等范畴展示了强盛的建模才能。但是，与静态图比拟，静态图因节点跟边的静态演化特征，给数据剖析带来了更年夜的挑衅，尤其是在异样检测方面。异样检测是保证体系保险跟数据完全性的要害义务，旨在辨认明显偏离畸形形式的异样变乱，比方讹诈买卖、交际媒体渣滓信息跟收集入侵等。实时发明这些异样对体系的牢靠性跟保险性至关主要。基于深度进修的静态图异样检测方式已获得必定停顿，比方应用图神经收集提取构造信息或经由过程时序模子捕捉时光依附性。但是，这些方式在通用性方面仍存在明显缺乏。详细而言，它们平日难以顺应差别的数据集跟义务场景，难以高效捕捉静态图中部分与全局的庞杂特点。别的，一些方式在处置年夜范围静态图时盘算本钱较高，异样变乱的编码也不敷正确，招致在新场景中的检测机能明显降落。方式计划本文针对静态图异样检测中的数据散布多样、静态特点捕获艰苦以及盘算本钱高三年夜挑衅，提出了一种通用方式（GeneralDyg）。起首，为应答数据散布多样成绩，咱们提取节点、边及其拓扑构造的要害信息，从而顺应差别数据集的庞杂特点散布。其次，为处理静态特点捕获的困难，咱们联合全局时光静态跟部分构造变更，深刻建模静态图中的多标准静态形式。最后，为下降盘算本钱，咱们构建了一种轻量化框架，可能高效捕捉要害静态特点，同时明显晋升盘算效力。如图 1 所示，本文方式由三局部构成，每局部针对上述挑衅供给懂得决计划：（a）时光 ego-graph 采样模块，经由过程构建紧凑的子图构造无效应答盘算资本限度；（b）图神经收集提取模块，片面捕捉静态图的节点与边的多样性跟庞杂构造；（c）时光感知 Transformer 模块，无效融会全局跟部分静态特点。（a）时光 ego-graph 采样模块旨在经由过程构建紧凑的子图构造无效缓解静态图年夜范围数据带来的盘算压力。详细来说，该模块基于核心变乱，经由过程 k-hop 算法提取其四周交互汗青，形成时光 ego-graph。k-hop 算法的计划斟酌了变乱间的时光次序与拓扑关联，确保采样进程统筹时光静态与构造特征。别的，为了捕获变乱之间的层级关联，该模块引入了特别标志（如层级标志标记）来分开差别档次的交互信息。这些标志可能辅助 Transformer 模块更好地辨认与进修时光序列中的层级静态。别的，该模块还经由过程限度 k 的范畴来把持采样的范围，从而在信息完全性与盘算效力之间获得均衡。如许的计划在保存静态构造信息的同时，明显下降了盘算庞杂度。（b）在时光 ego-graph 的基本上，本文计划了一种新的图神经收集（TensGNN）来提取丰盛的构造信息。TensGNN 经由过程瓜代利用节点层跟边层来实现特点信息的传布与更新，从而在节点特点跟边特点之间构建强关系。详细而言，节点层应用节点的毗邻矩阵跟特定拉普拉斯矩阵停止卷积运算，同时联合边的特点更新节点表现。响应地，边层则基于边的毗邻关联跟节点的状况更新边的特点表现。这种瓜代重叠的方法可能更好地捕获静态图中的部分与全局特征。别的，该模块引入了轻量化的算子，防止了冗余盘算，在年夜范围数据集上也能坚持较高的盘算效力。（c）时光感知 Transformer 模块：最后，GeneralDyG 经由过程时光感知 Transformer 模块整适时间序列跟构造特点。在自留神力机制中，模子分辨应用 Query 跟 Key 编码图的拓扑构造信息，而将 Value 保存为原始变乱特点，以确保异样检测的正确性。经由过程这一模块，模子可能无效捕捉静态图中全局的时光依附性跟部分的静态变更，从而实现对庞杂异样形式的正确建模。试验验证本文在节点级别（node level）跟边级别（edge level）两个层面长进行了试验评价，应用了四个实在数据集：SWaT 跟 WADI 用于节点级别异样检测，Bitcoin-Alpha 跟 Bitcoin-OTC 用于边级别异样检测。咱们将 GeneralDyG 与 20 种主流基线方式停止对照，这些基线方式涵盖了图嵌入（如 node2vec、DeepWalk）跟异样检测（如 TADDY、SAD、GDN）两年夜种别。试验经由过程 AUC、AP 跟 F1 等指标片面评价模子机能，并在差别异样比例（1%、5%、10%）下停止了体系性测试。成果标明，GeneralDyG 在全部数据集上均明显优于现无方法，展示了出色的通用性与检测才能，如图 2 所示。总结总的来说，咱们提出了一种通用的静态图上异样检测方式 GeneralDyg，处理数据散布多样、静态特点捕捉难跟盘算本钱高三年夜中心成绩，GeneralDyG 展示了出色的通用性跟鲁棒性，为静态图异样检测供给了一种高效且通用的处理计划。具体方式流程以及试验成果请参考原文。© THE END 转载请接洽本大众号取得受权投稿或追求报道：
[email protected]
]article_adlist-->
申明：新浪网独家稿件，未经受权制止转载。 -->
