属性邻域的可扩展异常排序

给定一个带有节点属性的图，哪些邻域是异常的？回答此问题需要一个同时利用结构和属性的质量评分。流行的现有度量要么仅量化结构而忽略属性（例如导纳），要么仅考虑邻域内部节点的连通性而忽略边界处的交叉边（例如密度）。在本工作中，我们提出了“正态性”（normality），这是一种用于属性邻域的新质量度量。正态性共同利用结构和属性来量化内部一致性和外部可分性。与其他度量相比，它具有两个关键优势：(1) 只要边界边能被“免责”，即要么 (i) 在零模型下是预期的，和/或 (ii) 边界节点不具备邻域成员共享的属性子集，它就允许存在许多边界边。相比之下，现有度量不加区分地惩罚边界边。(2) 正态性可以被高效最大化，以自动推断表征邻域的共享属性子空间（及其相应权重）。这种高效优化使我们能够处理具有数百万属性的图。我们利用该度量提出了一种用于实体邻域异常挖掘（AMEN）的新方法。在真实世界属性图上的实验表明，我们的度量在异常检测方面有效，优于包括导纳、密度、OddBall 和 SODA 在内的流行方法。除了异常检测外，我们的定性分析还展示了正态性作为一种强大工具的效用，可用于对比不同图中结构与属性之间的相关性。