基于态密度的动态图快速属性变更检测
机器学习
2023-05-16 v1
摘要
我们如何能从国际航班运输日志中检测交通扰动，或学术网络中协作动态的变化？这些问题可表述为在动态图中检测异常变更点。当前方案难以扩展到大型真实图，缺乏对大量节点增删的鲁棒性，且忽视节点属性的变化。为应对这些局限，我们提出一种新颖谱方法：可扩展变更点检测（SCPD）。SCPD 通过高效近似每步拉普拉斯谱的分布，为每个图快照生成嵌入。SCPD 还可通过追踪属性与特征向量间的相关性来捕获节点属性的偏移。通过合成与真实数据的广泛实验，我们表明 SCPD（a）达到最先进性能，（b）显著快于最先进方法，且能在数分钟 CPU 时间内轻松处理数百万条边，（c）可有效应对大量节点属性、增删操作，以及（d）在大型真实图中发现有趣事件。代码公开于 https://github.com/shenyangHuang/SCPD.git。
引用
@article{arxiv.2305.08750,
title = {Fast and Attributed Change Detection on Dynamic Graphs with Density of States},
author = {Shenyang Huang and Jacob Danovitch and Guillaume Rabusseau and Reihaneh Rabbany},
journal= {arXiv preprint arXiv:2305.08750},
year = {2023}
}
备注
in PAKDD 2023, 18 pages, 12 figures