HYPA：网络上时间序列数据中路径异常的高效检测
社会与信息网络
2021-02-24 v2 物理与社会
摘要
时间序列数据中异常的无监督检测在用户行为建模、欺诈检测和网络安全方面有重要应用。事实上，异常检测在类别序列中已被广泛研究。然而，我们常能获取表示通过网络之路径的时间序列数据。例子包括金融网络中的交易序列、交叉引用文档网络中的用户点击流，或交通网络中的出行行程。为可靠检测异常，我们必须考虑到此类数据包含大量受图拓扑约束的路径独立观测。此外，真实系统的异质性排除了基于频率的异常检测技术，因其未考虑高度偏斜的边与度统计。为解决该问题，我们引入 HYPA，一种用于无监督检测图中大语料变长时间路径异常的新框架。HYPA 提供一种高效分析方法，以检测因节点以意外时间顺序被遍历而产生的异常频率路径。
引用
@article{arxiv.1905.10580,
title = {HYPA: Efficient Detection of Path Anomalies in Time Series Data on Networks},
author = {Timothy LaRock and Vahan Nanumyan and Ingo Scholtes and Giona Casiraghi and Tina Eliassi-Rad and Frank Schweitzer},
journal= {arXiv preprint arXiv:1905.10580},
year = {2021}
}
备注
11 pages with 8 figures and supplementary material. To appear at SIAM Data Mining (SDM 2020)