AnomalyLLM：基于大语言模型用于动态图的少样本异常边检测
机器学习
2024-08-29 v2 人工智能
摘要
检测动态图中的异常边旨在识别显著偏离正常模式的边，可应用于网络安全、金融交易和 AIOps 等多个领域。随着时间的推移，异常边的类型不断出现，而每种类型的标记异常样本都很少。当前方法要么设计用于检测随机插入的边，要么需要充足的标记数据进行模型训练，这会损害其在实际应用中的可用性。本文通过与大语言模型（LLM）中编码的丰富知识合作，提出了一种方法，称为 AnomalyLLM。为将动态图与 LLM 对齐，AnomalyLLM 预训练了一个动态感知编码器来生成边的表示，并通过词嵌入原型重新编程边。随着该编码器，我们设计了一个在-context 学习框架，将少量标记样本的信息整合以实现少样本异常检测。实验在四个数据集上进行，结果表明 AnomalyLLM 不仅能显著提高少样本异常检测的性能，还能在不更新模型参数的情况下对新型异常实现卓越的性能。
引用
@article{arxiv.2405.07626,
title = {AnomalyLLM: Few-shot Anomaly Edge Detection for Dynamic Graphs using Large Language Models},
author = {Shuo Liu and Di Yao and Lanting Fang and Zhetao Li and Wenbin Li and Kaiyu Feng and XiaoWen Ji and Jingping Bi},
journal= {arXiv preprint arXiv:2405.07626},
year = {2024}
}
备注
13pages