基于超图对比学习的异常事件检测
机器学习
2023-04-05 v1 人工智能
摘要
异常事件检测旨在挖掘涉及实体间不寻常的交互，在许多实际应用中起着重要作用。以往工作多将该任务过度简化为检测异常成对交互。然而，真实世界事件可能包含多类型带属性实体及其间复杂交互，构成属性异构信息网(AHIN)。随着社交网络的兴起，AHIN中的异常事件检测已成为重要但鲜有探索的任务。本文首次研究AHIN中无监督异常事件检测问题。事件被视为AHIN的星型模式实例，并进一步由超图建模。提出一种名为AEHCL的新型超图对比学习方法以充分捕获异常事件模式。AEHCL设计事件内与事件间对比模块以利用自监督AHIN信息。事件内对比模块捕获事件内成对与多变量交互异常，事件间模块捕获事件间上下文异常。两模块协同提升彼此性能并改善检测结果。测试阶段进一步提出基于对比学习的异常事件评分函数以度量事件异常程度。在三个不同场景数据集上的大量实验证明了AEHCL的有效性，其结果在平均精度(AP)和曲线下面积(AUC)上分别较SOTA基线提升最高12.0%与4.6%。
引用
@article{arxiv.2304.01226,
title = {Abnormal Event Detection via Hypergraph Contrastive Learning},
author = {Bo Yan and Cheng Yang and Chuan Shi and Jiawei Liu and Xiaochen Wang},
journal= {arXiv preprint arXiv:2304.01226},
year = {2023}
}