利用图不变量融合进行图时间序列中的异常检测
机器学习
2015-06-11 v1
摘要
给定图的时间序列 G(t) = (V, E(t))，t = 1, 2, ...，其中固定顶点集 V 代表“行动者”，时间 t 时顶点 u 和顶点 v 之间的边 (uv \in E(t)) 代表行动者 u 和 v 在第 t 个时间段内存在通信事件，我们希望检测异常和/或变点。我们考虑了一组图特征或不变量，并证明对于某些类别的异常检测问题，自适应融合比朴素等权重提供了更优越的推断效力。使用图时间序列的潜过程模型进行的模拟结果，以及源自 Enron 电子邮件数据的图时间序列的说明性实验结果均表明，融合统计量相比单独使用单个不变量能提供更优越的推断。这些结果还表明，用于不变量融合的自适应加权方案优于朴素等权重。
引用
@article{arxiv.1210.8429,
title = {Anomaly Detection in Time Series of Graphs using Fusion of Graph Invariants},
author = {Youngser Park and Carey E. Priebe and Abdou Youssef},
journal= {arXiv preprint arXiv:1210.8429},
year = {2015}
}