面向动态图中正态分布迁移的鲁棒异常检测
机器学习
2025-09-23 v1
摘要
动态图的异常检测是社交网络、电子商务和网络安全等广泛实际应用中的关键任务。大多数现有方法假设正常模式随时间保持稳定；然而，这一假设在实际中常常不成立，由于我们指称为正态分布迁移（NDS），即正常行为随时间演变。忽略 NDS 可能导致模型将迁移后的正常实例误分类为异常，影响检测性能。为解决此问题，我们提出了 WhENDS，一种新型无监督异常检测方法，通过估计分布统计信息并应用白化变换来跨时间对齐正常边缘嵌入。广泛的在四个广泛使用动态图数据集上的实验表明，WhENDS 持续优于九个强大的基线方法，实现了最先进的结果，凸显了在动态图异常检测中考虑 NDS 的重要性。
引用
@article{arxiv.2509.17400,
title = {Robust Anomaly Detection Under Normality Distribution Shift in Dynamic Graphs},
author = {Xiaoyang Xu and Xiaofeng Lin and Koh Takeuchi and Kyohei Atarashi and Hisashi Kashima},
journal= {arXiv preprint arXiv:2509.17400},
year = {2025}
}