单视图与多视图动态图的拉普拉斯变点检测
摘要
动态图是丰富的数据结构，用于建模实体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疫情暴发检测。在本文中，我们关注动态图中的变点检测，并解决与此问题相关的三个主要挑战：i). 如何跨时间比较图快照，ii). 如何捕捉时间依赖性，以及 iii). 如何组合时序图的不同视图。为解决上述挑战，我们首先提出拉普拉斯异常检测（LAD），其使用图拉普拉斯算子的谱作为每个快照处图结构的低维嵌入。LAD 通过应用两个滑动窗口显式建模短期和长期依赖性。接下来，我们提出 MultiLAD，一种简单而有效的 LAD 对多视图图的推广。MultiLAD 提供了首个针对多视图动态图的变点检测方法。它通过标量幂平均运算聚合来自不同视图的归一化图拉普拉斯算子的奇异值。通过广泛的合成实验，我们表明：i). LAD 和 MultiLAD 是准确的，并且以较大优势优于 SOTA 基线及其多视图扩展；ii). 当可用视图增加时，MultiLAD 相对于竞争方法的优势显著增大；iii). MultiLAD 对来自单个视图的噪声具有高度鲁棒性。在五个真实世界动态图中，我们证明 LAD 和 MultiLAD 将重大事件识别为顶级异常，例如影响了多视图交通网络中人口流动性的政府 COVID-19 干预措施的实施。
引用
@article{arxiv.2302.01204,
title = {Laplacian Change Point Detection for Single and Multi-view Dynamic Graphs},
author = {Shenyang Huang and Samy Coulombe and Yasmeen Hitti and Reihaneh Rabbany and Guillaume Rabusseau},
journal= {arXiv preprint arXiv:2302.01204},
year = {2023}
}
备注
30 pages, 15 figures, extended version of previous paper "Laplacian Change Point Detection for Dynamic Graphs" with novel material. arXiv admin note: substantial text overlap with arXiv:2007.01229