动态图中通用异常检测方法

异常检测旨在识别数据中偏离正常模式的异常。该任务在动态图中尤为关键，这类图在社交网络和网络安全等应用中常见，因其不断演变的结构和复杂的关系。尽管最近的深度学习方法在动态图上的异常检测方面显示出前景，但往往缺乏泛化性。本研究提出了GeneralDyG方法，通过采样时间ego图并顺序提取结构和时间特征，以解决实现泛化性的三个关键挑战：数据多样性、动态特征捕获和计算成本。大量实验结果表明，我们提出的GeneralDyG 在四个真实世界数据集上显著优于最先进的方法。