Web 与社会网络动态中的异常检测
社会与信息网络
2019-01-29 v1 机器学习
摘要
在这项工作中，我们提出一种快速且可扩展的新方法，用于大型时变图中的异常检测。它可以是具有动态节点属性（例如时间序列）的静态图，也可以是随时间演化的图，例如时间网络。我们将异常定义为节点簇中时间活动的局部增强。该算法是无监督的。它能够在不被多个干扰源噪声影响的情况下，检测并跟踪动态网络中的异常活动。我们使用记忆的 Hopfield 网络模型来结合图与时间信息。我们表明，利用记忆网络可以以良好的精度发现异常。所提出的方法具有可扩展性，并且我们提供了该算法的分布式实现。为证明其效率，我们将其应用于两个数据集：Enron Email 数据集和 Wikipedia 页面浏览量。我们表明，异常尖峰是由影响网络动态的真实世界事件触发的。此外，对所检测事件相关的簇结构及时间演化的分析揭示了关于人类如何交互、交换和搜索信息的有趣事实，为在大型动态数据集上开展关于集体与社会行为的新的定量研究打开了大门。
引用
@article{arxiv.1901.09688,
title = {Anomaly detection in the dynamics of web and social networks},
author = {Volodymyr Miz and Benjamin Ricaud and Kirell Benzi and Pierre Vandergheynst},
journal= {arXiv preprint arXiv:1901.09688},
year = {2019}
}
备注
The Web Conference 2019, 10 pages, 7 figures