具有可解释性的时序知识图谱在线异常检测
人工智能
2024-09-04 v2 数据库
机器学习
摘要
时序知识图谱（TKG）是捕捉实体间演化关系的有价值资源，但常受噪声困扰，需要鲁棒的异常检测机制。现有的动态图异常检测方法难以捕捉TKG中节点和边类别引入的丰富语义，而TKG嵌入方法缺乏可解释性，削弱了异常检测的可信度。此外，这些方法在适应知识更新导致的模式变化和语义漂移方面表现不佳。为应对这些挑战，我们提出了AnoT，一种面向TKG中可解释在线异常检测的高效摘要方法。AnoT首先将TKG总结为一种新颖的规则图，从而实现对TKG中复杂模式的灵活推理。当新知识出现时，AnoT将其映射到规则图上的一个节点，并递归遍历规则图以推导该知识的异常得分。遍历产生的可达节点为新知识的有效性或异常性提供了可解释的证据。总体而言，AnoT体现了一种检测器-更新器-监控器架构，涵盖用于离线TKG摘要和在线评分的检测器、用于基于新知识实时更新规则图的更新器，以及用于估计规则图近似误差的监控器。在四个真实数据集上的实验结果表明，AnoT在准确性和互操作性方面显著优于现有方法。所有原始数据集和AnoT的实现均发布在https://github.com/zjs123/ANoT。
引用
@article{arxiv.2408.00872,
title = {Online Detection of Anomalies in Temporal Knowledge Graphs with Interpretability},
author = {Jiasheng Zhang and Rex Ying and Jie Shao},
journal= {arXiv preprint arXiv:2408.00872},
year = {2024}
}
备注
26 pages, 10 figures. Accepted by SIGMOD 2025