GraphSAC：大规模图中的异常节点检测
机器学习
2019-10-23 v1 机器学习
摘要
引入一种基于图采样与一致性（GraphSAC）的方法，以有效检测大规模图中的异常节点。现有方法依赖所有节点的连通性与属性来为每个节点分配异常分数。然而，节点属性与网络链接可能受到对手破坏，使这些整体式方法变得脆弱。为缓解此局限，GraphSAC 随机抽取节点子集，并依靠图感知准则明智地过滤掉被异常节点污染的集合，再采用半监督学习（SSL）模块估计每个节点的名义标签分布。这些学习到的名义分布受异常节点影响极小，因此可直接用于异常检测。严格分析通过界定所需抽取次数，为 GraphSAC 提供性能保证。每次抽取的复杂度随边数线性增长，意味着高效的 SSL，而各抽取可并行运行，从而确保对大规模图的可扩展性。GraphSAC 基于随机游走、聚类异常以及当代图数据对抗攻击等不同异常生成模型进行了测试。基于真实世界图的实验展示了 GraphSAC 相对于最先进替代方法的优势。
引用
@article{arxiv.1910.09589,
title = {GraphSAC: Detecting anomalies in large-scale graphs},
author = {Vassilis N. Ioannidis and Dimitris Berberidis and Georgios B. Giannakis},
journal= {arXiv preprint arXiv:1910.09589},
year = {2019}
}