动态图中的异常检测：综合综述
机器学习
2024-06-04 v1 人工智能
摘要
本综述论文对使用动态图进行异常检测进行了全面且概念性的概述。我们重点关注现有的基于图的异常检测（AD）技术及其在动态网络中的应用。本综述论文的贡献包括：i）对现有异常检测综述的比较研究；ii）一个基于动态图的异常检测（DGAD）综述框架，其中将检测动态图中异常的方法分为基于传统机器学习模型、矩阵变换、概率方法和深度学习方法；iii）讨论离散和动态网络的图形表示；iv）讨论基于图的技术在捕获动态图数据中的关系结构和复杂交互方面的优势。最后，本文指出了在动态网络中检测异常的潜在挑战和未来方向。本DGAD综述方法旨在通过总结每种方法的优势和局限性、突出当前研究趋势并指出未解决的挑战，为研究人员和从业者提供有价值的资源。通过这样做，它可以指导未来的研究工作，并促进动态图异常检测的进步。关键词：图，异常检测，动态网络，图神经网络（GNN），节点异常，图挖掘。
引用
@article{arxiv.2406.00134,
title = {Anomaly Detection in Dynamic Graphs: A Comprehensive Survey},
author = {Ocheme Anthony Ekle and William Eberle},
journal= {arXiv preprint arXiv:2406.00134},
year = {2024}
}
备注
32 pages (double column), 4 figures, and the manuscript has just been accepted in ACM Journals of Transactions on Knowledge Discovery from Data (TKDD)