HRGCN：基于层次关系增强图神经网络异构图级异常检测
机器学习
2023-08-29 v1
摘要
本工作研究异构图级异常检测问题。异构图常用于表示复杂工业系统中不同类型实体之间的行为，以尽可能捕获系统运行的更多信息。从大量系统行为图中检测异常异构图，对于在线网页/移动服务和云访问控制等许多实际应用至关重要。为解决该问题，我们提出 HRGCN，一种无监督深度异构图神经网络，用于建模系统中不同实体间的复杂异构关系，以有效识别这些异常行为图。HRGCN 训练一个层次关系增强的异构图神经网络（HetGNN），通过建模所有系统实体间的交互并同时考虑源到目标实体（节点）类型及其关系（边）类型，学习更好的图表示。在两个真实应用数据集上的大量评估表明，HRGCN 优于最先进的异常检测竞争方法。我们进一步给出一个真实工业案例研究，以证明 HRGCN 在移动通讯服务中检测异常（如拥塞）网络设备方面的有效性。HRGCN 代码见 https://github.com/jiaxililearn/HRGCN。
引用
@article{arxiv.2308.14340,
title = {HRGCN: Heterogeneous Graph-level Anomaly Detection with Hierarchical Relation-augmented Graph Neural Networks},
author = {Jiaxi Li and Guansong Pang and Ling Chen and Mohammad-Reza Namazi-Rad},
journal= {arXiv preprint arXiv:2308.14340},
year = {2023}
}
备注
12 pages, 10 figures, 6 tables. Accepted