动态图的拉普拉斯变点检测
机器学习
2020-07-03 v1 社会与信息网络
机器学习
摘要
动态和时序图是丰富的数据结构，用于建模实体间随时间变化的复杂关系。特别地，时序图中的异常检测对于许多现实世界应用至关重要，例如网络系统中的入侵识别、生态系统扰动检测和流行病爆发检测。在本文中，我们专注于动态图中的变点检测，并解决与此问题相关的两个主要挑战：I）如何跨时间比较图快照，II）如何捕捉时间依赖性。为了解决上述挑战，我们提出了拉普拉斯异常检测（LAD），该方法利用每个快照处图结构的拉普拉斯矩阵的谱来获得低维嵌入。LAD通过应用两个滑动窗口来显式地建模短期和长期依赖性。在合成实验中，LAD优于最先进的方法。我们还在三个真实的动态网络上评估了我们的方法：UCI消息网络、美国参议院共同赞助网络和加拿大法案投票网络。在所有三个数据集中，我们证明我们的方法可以根据重要的现实世界事件更有效地识别异常时间点。
引用
@article{arxiv.2007.01229,
title = {Laplacian Change Point Detection for Dynamic Graphs},
author = {Shenyang Huang and Yasmeen Hitti and Guillaume Rabusseau and Reihaneh Rabbany},
journal= {arXiv preprint arXiv:2007.01229},
year = {2020}
}
备注
in KDD 2020, 10 pages