通过常曲率流形嵌入检测图流中的异常与变化
机器学习
2018-11-28 v1 机器学习
摘要
将复杂输入数据映射到合适的低维流形是机器学习中的常见步骤。该步骤主要有两个好处：（1）降低数据维度；（2）提供一种可能具有便利几何性质的新数据表示。欧几里得空间因其结构清晰且拥有大量成熟推断方法，是目前使用最广泛的嵌入空间。然而，近期研究表明，许多类型的复杂数据（例如以图表示的数据）实际上更适合用非欧几里得几何描述。本文研究将图嵌入到常曲率流形（超球流形与双曲流形）上如何影响对属性图序列中变化的检测能力。所提方法包括将图嵌入几何空间，并通过常规数值流方法在该空间中执行变化检测。空间的曲率是学习得到的参数，以复现原始与应用相关的图空间的几何。初步实验结果显示了用弯曲流形表示图的潜在能力，尤其在变化与异常检测问题中。
引用
@article{arxiv.1805.01360,
title = {Anomaly and Change Detection in Graph Streams through Constant-Curvature Manifold Embeddings},
author = {Daniele Zambon and Lorenzo Livi and Cesare Alippi},
journal= {arXiv preprint arXiv:1805.01360},
year = {2018}
}
备注
To be published in IEEE IJCNN 2018