SpecAE：用于属性网络异常检测的谱自编码器
机器学习
2019-10-10 v3 机器学习
摘要
异常检测旨在区分稀有且与多数不同的观测值。尽管大多数现有算法假设实例是独立同分布的，但在许多实际场景中，描述实例间依赖关系和交互的链接是可用的。此类系统被称为属性网络。属性网络中的异常检测具有多种应用，例如监控社交媒体中的可疑账户和交易网络中的金融欺诈。然而，这仍然是一项具有挑战性的任务，因为异常的定义变得更加复杂，且拓扑结构与节点属性存在异质性。在本文中，我们提出了一种基于谱卷积与反卷积的框架——SpecAE，将属性网络投影到一个定制空间中以检测全局异常和社区异常。SpecAE 利用 Laplacian 锐化来放大异常表示与多数表示之间的距离。学习到的表示与重构误差结合密度估计模型来执行检测。它们作为一个端到端框架进行联合训练。在真实数据集上的实验证明了 SpecAE 的有效性。
引用
@article{arxiv.1908.03849,
title = {SpecAE: Spectral AutoEncoder for Anomaly Detection in Attributed Networks},
author = {Yuening Li and Xiao Huang and Jundong Li and Mengnan Du and Na Zou},
journal= {arXiv preprint arXiv:1908.03849},
year = {2019}
}
备注
7 pages, in proceedings of the 28th ACM International Conference on Information and Knowledge Management (CIKM)