GADY:动态图上的无监督异常检测
机器学习
2023-10-26 v1 人工智能
摘要
动态图上的异常检测是指检测其行为明显偏离图及其时间信息中所观察规范的实体。由于该技术在金融、网络安全、社交网络等领域的应用,该领域已引起越来越多的关注。然而,现有方法面临两个挑战:动态结构构建挑战——难以捕获具有复杂时间信息的图结构;负采样挑战——无法为无监督学习构建优良的负样本。为应对这些挑战,我们提出动态图上无监督生成式异常检测(GADY)。针对第一个挑战,我们提出一种连续动态图模型以捕获细粒度信息,打破了现有离散方法的限制。具体而言,我们采用结合位置特征的消息传递框架来获取边嵌入,并将其解码以识别异常。针对第二个挑战,我们开创性地使用生成对抗网络(Generative Adversarial Networks)来生成负交互。此外,我们设计了一个损失函数以改变生成器的训练目标,同时确保生成样本的多样性和质量。大量实验表明,我们所提 GADY 在三个真实世界数据集上显著优于先前的最先进方法。补充实验进一步验证了我们的模型设计的有效性以及各模块的必要性。
引用
@article{arxiv.2310.16376,
title = {GADY: Unsupervised Anomaly Detection on Dynamic Graphs},
author = {Shiqi Lou and Qingyue Zhang and Shujie Yang and Yuyang Tian and Zhaoxuan Tan and Minnan Luo},
journal= {arXiv preprint arXiv:2310.16376},
year = {2023}
}