解決數(shù)據(jù)分布多樣、動態(tài)特征捕獲難和計算成本高三大核心問題。

原標(biāo)題：輕松進(jìn)行動態(tài)圖異常檢測，南洋理工提出GeneralDyG
文章來源：機(jī)器之心
內(nèi)容字?jǐn)?shù)：4497字

南洋理工大學(xué)提出通用動態(tài)圖異常檢測方法GeneralDyG

本文介紹了南洋理工大學(xué)的研究團(tuán)隊發(fā)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(tài)圖異常檢測方法，有效解決了動態(tài)圖異常檢測中的三大挑戰(zhàn)：數(shù)據(jù)分布多樣性、動態(tài)特征捕獲困難以及高計算成本。

1. 研究背景與問題

動態(tài)圖數(shù)據(jù)廣泛應(yīng)用于社交網(wǎng)絡(luò)、電商和網(wǎng)絡(luò)安全等領(lǐng)域。然而，節(jié)點和邊的動態(tài)變化給異常檢測帶來了巨大挑戰(zhàn)。現(xiàn)有基于深度學(xué)習(xí)的動態(tài)圖異常檢測方法普遍存在通用性不足的問題，難以適應(yīng)不同的數(shù)據(jù)集和任務(wù)場景，并且在處理大規(guī)模動態(tài)圖時計算成本較高。

2. 方法設(shè)計：GeneralDyG框架

GeneralDyG框架由三個主要模塊組成，分別針對數(shù)據(jù)分布多樣性、動態(tài)特征捕獲和計算成本高這三個挑戰(zhàn)提供解決方案：

1. 時間 ego-graph 采樣模塊

   該模塊通過構(gòu)建緊湊的子圖結(jié)構(gòu)（時間ego-graph）來緩解大規(guī)模數(shù)據(jù)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(biāo)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(fù)雜度。

2. 圖神經(jīng)網(wǎng)絡(luò)提取模塊 (TensGNN)

   該模塊利用一種新型圖神經(jīng)網(wǎng)絡(luò)TensGNN，通過交替應(yīng)用節(jié)點層和邊層來提取豐富的結(jié)構(gòu)信息，在節(jié)點特征和邊特征之間構(gòu)建強(qiáng)關(guān)聯(lián)，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(jié)構(gòu)特征，利用自注意力機(jī)制有效捕獲動態(tài)圖中全局的時間依賴性和局部的動態(tài)變化，實現(xiàn)對復(fù)雜異常模式的準(zhǔn)確建模。

3. 實驗驗證

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

4. 總結(jié)

GeneralDyG 提出了一種通用的動態(tài)圖異常檢測方法，有效地解決了數(shù)據(jù)分布多樣性、動態(tài)特征捕獲困難和高計算成本等問題，為動態(tài)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(fā)表在AAAI 2025，論文第一作者為南洋理工大學(xué)碩士生楊瀟，通訊作者為趙雪嬌和申志奇。

聯(lián)系作者

文章來源：機(jī)器之心
作者微信：
作者簡介：專業(yè)的人工智能媒體和產(chǎn)業(yè)服務(wù)平臺