輕松進行動態圖異常檢測，南洋理工提出GeneralDyG

解決數據分布多樣、動態特征捕獲難和計算成本高三大核心問題。

原標題：輕松進行動態圖異常檢測，南洋理工提出GeneralDyG
文章來源：機器之心
內容字數：4497字

南洋理工大學提出通用動態圖異常檢測方法GeneralDyG

本文介紹了南洋理工大學的研究團隊發表在AAAI 2025上的論文“A Generalizable Anomaly Detection Method in Dynamic Graphs”，該論文提出了一種名為GeneralDyG的通用動態圖異常檢測方法，有效解決了動態圖異常檢測中的三大挑戰：數據分布多樣性、動態特征捕獲困難以及高計算成本。

1. 研究背景與問題

動態圖數據廣泛應用于社交網絡、電商和網絡安全等領域。然而，節點和邊的動態變化給異常檢測帶來了巨大挑戰。現有基于深度學習的動態圖異常檢測方法普遍存在通用性不足的問題，難以適應不同的數據集和任務場景，并且在處理大規模動態圖時計算成本較高。

2. 方法設計：GeneralDyG框架

GeneralDyG框架由三個主要模塊組成，分別針對數據分布多樣性、動態特征捕獲和計算成本高這三個挑戰提供解決方案：

1. 時間 ego-graph 采樣模塊

   該模塊通過構建緊湊的子圖結構（時間ego-graph）來緩解大規模數據帶來的計算壓力。它基于中心，利用k-hop算法提取周圍交互歷史，并引入特殊標記來分隔不同層次的交互信息，在保證信息完整性的同時降低計算復雜度。

2. 圖神經網絡提取模塊 (TensGNN)

   該模塊利用一種新型圖神經網絡TensGNN，通過交替應用節點層和邊層來提取豐富的結構信息，在節點特征和邊特征之間構建強關聯，并使用輕量化算子提高計算效率。

3. 時間感知 Transformer 模塊

   該模塊整合時間序列和結構特征，利用自注意力機制有效捕獲動態圖中全局的時間依賴性和局部的動態變化，實現對復雜異常模式的準確建模。

3. 實驗驗證

研究人員在四個真實數據集（SWaT、WADI、Bitcoin-Alpha、Bitcoin-OTC）上進行了節點級別和邊級別的實驗評估，并與20種主流基線方法進行了比較。結果表明，GeneralDyG在所有數據集上均顯著優于現有方法，展現了卓越的通用性和檢測能力。

4. 總結

GeneralDyG 提出了一種通用的動態圖異常檢測方法，有效地解決了數據分布多樣性、動態特征捕獲困難和高計算成本等問題，為動態圖異常檢測提供了一種高效且通用的解決方案。該研究成果已發表在AAAI 2025，論文第一作者為南洋理工大學碩士生楊瀟，通訊作者為趙雪嬌和申志奇。

聯系作者

文章來源：機器之心
作者微信：
作者簡介：專業的人工智能媒體和產業服務平臺