面向早期基于图的异常检测的动作序列增强
机器学习
2021-08-31 v2 社会与信息网络
摘要
网络平台的激增引发了在线滥用行为。许多基于图的异常检测技术被提出以识别可疑账户和行为。然而，它们大多在用户已执行大量此类行为后才检测异常。当用户在早期阶段观测数据有限时，其性能受到显著阻碍，亟需改进以最小化财务损失。本工作中，我们提出 Eland，一种利用动作序列增强进行早期异常检测的新框架。Eland 使用序列预测器预测每个用户的下一步动作，并挖掘动作序列增强与用户-动作图异常检测之间的相互增强。在三个真实世界数据集上的实验表明，Eland 提升了多种基于图的异常检测方法的性能。借助 Eland，更早阶段的异常检测性能优于需要显著更多观测数据的非增强方法，在 ROC 曲线下面积上最高提升 15%。
引用
@article{arxiv.2010.10016,
title = {Action Sequence Augmentation for Early Graph-based Anomaly Detection},
author = {Tong Zhao and Bo Ni and Wenhao Yu and Zhichun Guo and Neil Shah and Meng Jiang},
journal= {arXiv preprint arXiv:2010.10016},
year = {2021}
}
备注
CIKM'21