基于 Transformer 的动态图异常检测
机器学习
2021-10-29 v2
摘要
由于动态图在社交网络、电子商务与网络安全中的广泛应用，其异常检测已引起越来越多的关注。近期基于深度学习的方法相较浅层方法展现出可喜结果。然而，它们未能解决动态图异常检测的两个核心挑战：无属性节点的信息性编码缺失，以及从耦合时空动态图中学习判别性知识的困难。为克服这些挑战，本文提出一种新颖的基于 Transformer 的动态图异常检测框架（TADDY）。我们的框架构建了全面的节点编码策略，以更好地表示演化图流中每个节点的结构与时间角色。同时，TADDY 通过动态图 Transformer 模型从具有耦合时空模式的动态图中捕获信息性表示。大量实验结果证明，我们所提 TADDY 框架在六个真实数据集上大幅优于最先进的方法。
引用
@article{arxiv.2106.09876,
title = {Anomaly Detection in Dynamic Graphs via Transformer},
author = {Yixin Liu and Shirui Pan and Yu Guang Wang and Fei Xiong and Liang Wang and Qingfeng Chen and Vincent CS Lee},
journal= {arXiv preprint arXiv:2106.09876},
year = {2021}
}
备注
13 pages, 5 figures