DenseAlert：张量流中的增量密集子张量检测
社会与信息网络
2017-06-13 v1 数据库
摘要
考虑一个转发事件流——我们如何能在随时间演化的此类多方面数据（即张量）中发现欺诈性的步调一致行为？我们能否在保证准确性的情况下实时检测它？过去的研究表明，在包括社交媒体、维基百科和 TCP 转储在内的许多张量数据中，密集子张量往往指示异常甚至欺诈行为。因此，已经提出了几种算法来快速准确地检测密集子张量。然而，现有算法假设张量是静态的，而许多现实世界的张量（包括上述提到的）会随时间演化。我们提出了 DenseStream，一种在张量流（即张量中的一系列变化）中维护和更新密集子张量的增量算法，以及 DenseAlert，一种发现密集子张量突然出现的增量算法。我们的算法具有以下特点：(1) 快速且“随时”：我们算法的更新比最快的批处理算法快达一百万倍；(2) 可证明的准确性：我们的算法保证了它们维护的子张量密度的下界；(3) 有效：我们的 DenseAlert 成功发现了现实世界张量中的异常，特别是那些被现有算法忽略的异常。
引用
@article{arxiv.1706.03374,
title = {DenseAlert: Incremental Dense-Subtensor Detection in Tensor Streams},
author = {Kijung Shin and Bryan Hooi and Jisu Kim and Christos Faloutsos},
journal= {arXiv preprint arXiv:1706.03374},
year = {2017}
}
备注
to be published in 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD-17)