时变图数据的多层级异常检测

本研究提出了一种针对图序列的新型建模与分析框架，旨在解决在带标签的流式图数据中检测异常并为其提供上下文信息的挑战。我们通过对 Seshadhri 等人提出的 BTER 模型进行推广，增加了社区结构的灵活性，并利用该模型执行多尺度图异常检测。具体而言，通过在更细粒度上聚合概率来构建描述粗粒度子图的概率模型，这些紧密相关的分层模型可同时检测偏离预期的情况。该技术提供了对图结构及其内部上下文的洞察，有助于揭示被检测事件的成因。此外，这种多尺度分析通过允许用户将关注点从异常图缩小到导致异常的特定子图或节点，促进了直观的可视化。在评估阶段，我们在一系列采样图上将两种分层异常检测器与基准高斯方法进行了测试。结果表明，在具有社区结构的带标签设置中，我们基于图统计量的方法优于基于分布的检测器和基准方法，并能在合成数据集和真实世界数据集中准确地在节点、子图和图层级检测异常。为了说明该技术所实现的信息可访问性，我们在 NCAA 橄榄球数据上测试了该异常检测器及相关的交互式可视化工具，完美召回了联盟内变动的球队和会议，且精确度大于 0.786。