多视图震荡者检测：来自噪声免疫影响分析视角的洞见

在网络化系统中，其变化将显著影响其他实体的实体被称为震荡者（shaker）。近年来，已有一些模型被提出以从演化实体中检测此类震荡者。然而，关注极短期内震荡者检测的工作有限，而这在现实中有诸多应用。例如，在金融市场中，它可使投资者与监管者快速响应急剧变化。在短期设定下，常规方法可能受限于数据样本稀少问题，且对恶意操纵敏感，导致结果不可靠。幸运的是，存在多属性演化记录可用，其能提供兼容且互补的信息。本文中，我们研究如何从短期多属性演化记录中学习可靠的影响结果。我们将短期内不同视图间具有一致影响的实体称为多视图震荡者，并研究多视图震荡者检测这一新问题。我们确定挑战如下：（1）如何联合检测短期震荡者并建模不同视图间冲突的影响结果？（2）如何过滤各单独视图中的伪影响关系以实现鲁棒影响推断？对此，我们提出一种称为鲁棒影响网络（Robust Influence Network）的新方案，从噪声免疫影响分析视角出发，其中可能的离群点与时多视图震荡者检测任务联合建模。更具体地，我们从各视图学习影响关系，并将不同视图的影响关系转换为中间表示。同时，我们揭示不一致与伪装的离群点。