一种用于预测时变图中异常的快速拓扑方法
机器学习
2023-05-12 v1
摘要
大规模时变图在金融、社交和生物场景中越来越常见。高效编码稀疏、多层、动态图的复杂结构的特征提取带来了计算和方法论挑战。在过去十年中，来自拓扑数据分析（TDA）的持久图（PD）已成为描述数据形状的热门描述符，其点间具有定义良好的距离。然而，TDA 在图上的应用（其中节点间无内在距离概念）仍基本未被探索。本文通过引入一种计算高效的框架来从图数据中提取形状信息，弥补了文献中的这一空白。我们的框架有两个主要步骤：首先，我们使用所谓的下星过滤（利用定量节点属性）计算 PD，然后通过在二维一维网格上连续尺度值上平均关联的 Betti 函数来将其向量化。我们的方法避免了将图嵌入度量空间，并对输入噪声具有稳定性。在模拟研究中，我们表明所提出的向量摘要提高了时变图中的变点检测率。在真实数据应用中，我们的方法在以太坊加密货币交易网络的异常价格预测上带来了高达 22% 的提升。
引用
@article{arxiv.2305.06523,
title = {A fast topological approach for predicting anomalies in time-varying graphs},
author = {Umar Islambekov and Hasani Pathirana and Omid Khormali and Cuneyt Akcora and Ekaterina Smirnova},
journal= {arXiv preprint arXiv:2305.06523},
year = {2023}
}