GraphAnoGAN：从属性图中检测异常快照
机器学习
2021-06-30 v1 人工智能
社会与信息网络
摘要
从图中发现异常快照近来引起了巨大关注。现有研究使用浅层学习机制（如子空间选择、自我网络或社区分析）来解决该问题。这些模型未考虑网络中结构与属性之间的多方面交互。本文中，我们提出 GraphAnoGAN，一种异常快照排序框架，其由两个核心组件构成——生成模型与判别模型。具体而言，生成模型学习从图快照候选集中近似异常样本的分布，判别模型检测所采样快照是否来自真实数据。在 4 个真实网络上的实验表明，GraphAnoGAN 以显著优势超越 6 个基线（相较于最佳基线，精确率与召回率分别平均提升 28.29% 与 22.01%）。
关键词
引用
@article{arxiv.2106.15504,
title = {GraphAnoGAN: Detecting Anomalous Snapshots from Attributed Graphs},
author = {Siddharth Bhatia and Yiwei Wang and Bryan Hooi and Tanmoy Chakraborty},
journal= {arXiv preprint arXiv:2106.15504},
year = {2021}
}
备注
Accepted at ECML-PKDD 2021