GLAD：社交媒体分析中的群体异常检测 - 扩展摘要
机器学习
2014-10-09 v1 社会与信息网络
摘要
传统的社交媒体异常检测主要关注个体点异常，而异常现象通常以群体形式发生。因此，研究个体的集体行为并检测群体异常具有重要价值。现有的群体异常检测方法依赖于群体已知的假设，这在现实世界的社交媒体应用中很难成立。在本文中，我们采取生成式方法，提出了一种分层贝叶斯模型：群体潜在异常检测（GLAD）模型。GLAD 将成对数据和点数据作为输入，自动推断群体并同时检测群体异常。为了适应社交媒体数据的动态特性，我们将 GLAD 进一步推广为其动态扩展版本 d-GLAD。我们在合成数据集和真实世界数据集上进行了大量实验以评估我们的模型。实证结果表明，我们的方法在发现潜在群体和检测群体异常方面是有效且鲁棒的。
引用
@article{arxiv.1410.1940,
title = {GLAD: Group Anomaly Detection in Social Media Analysis- Extended Abstract},
author = {Qi and Yu and Xinran He and Yan Liu},
journal= {arXiv preprint arXiv:1410.1940},
year = {2014}
}