ADAMM：基于元数据的属性多重图异常检测——一种统一神经网络方法
机器学习
2023-11-21 v2
摘要
给定一个由带节点和边属性的多重图以及每个图的关联元数据组成的复杂图数据库，我们如何发现异常实例？许多现实世界问题可归结为图推断任务，其中图表示能捕捉复杂的关系现象（例如日记账中金融账户间的交易），而元数据反映表格特征（例如审批人、生效日期等）。尽管已提出众多基于图神经网络（GNN）的异常检测器，但无一能直接处理带多重边和自环的有向图。此外，关系特征与表格特征的同时处理仍属未探索领域。本文提出 ADAMM，一种处理有向多重图的新型图神经网络模型，提供统一的端到端架构，通过无监督异常检测目标融合元数据与图级表示学习。来自两个不同领域的数据集——不同公司的总账日记账分录（会计）以及数千个体的人员 GPS 轨迹（城市移动性）——上的实验验证了 ADAMM 对专家引导和真实异常的一般性与检测有效性。值得注意的是，ADAMM 优于那些分别处理两种数据模态（图与元数据）并需事后合成努力的现有基线方法。
引用
@article{arxiv.2311.07355,
title = {ADAMM: Anomaly Detection of Attributed Multi-graphs with Metadata: A Unified Neural Network Approach},
author = {Konstantinos Sotiropoulos and Lingxiao Zhao and Pierre Jinghong Liang and Leman Akoglu},
journal= {arXiv preprint arXiv:2311.07355},
year = {2023}
}
备注
Accepted at IEEE BigData 2023