多路动态网络中的异常检测：从区块链安全到脑疾病预测
机器学习
2022-11-16 v1 人工智能
社会与信息网络
摘要
在动态网络中识别异常的问题是一项具有广泛应用的基础任务。然而，由于异常的复杂本质、缺乏真值知识以及网络中复杂且动态的相互作用，它带来了关键挑战。大多数现有方法通常研究顶点间仅有单一类型连边的网络，而在许多应用中对象间的相互作用多样，从而产生多路网络。我们提出ANOMULY，一个面向多路动态网络的通用无监督边异常检测框架。在每种关系类型中，ANOMULY将不同GNN层的节点嵌入视为分层节点状态，并采用GRU单元捕捉网络的时间特性并随时间更新节点嵌入。我们随后加入一个注意力机制以融合不同类型关系的信息。我们在脑网络上的案例研究展示了该方法如何被用作理解可能揭示脑部疾病或障碍的异常脑活动的新工具。在九个真实世界数据集上的大量实验表明，ANOMULY达到了最先进的性能。
引用
@article{arxiv.2211.08378,
title = {Anomaly Detection in Multiplex Dynamic Networks: from Blockchain Security to Brain Disease Prediction},
author = {Ali Behrouz and Margo Seltzer},
journal= {arXiv preprint arXiv:2211.08378},
year = {2022}
}
备注
NeurIPS 2022 Temporal Graph Learning Workshop (Spotlight)