SWORD：动态网络中基于谱 Wasserstein 的在线 regimes 检测

动态图中的在线变点检测要求在时间线性于边数的情况下比较到达的图，且无需参数假设。最近的谱方法通过 Kernel Polynomial Method (KPM) 解决尺度问题：SCPD 计算归一化 Laplacian 的切比雪夫矩，将其离散为密度态直方图，并通过 SVD 加余弦相似度对直方图进行评分。我们引入 SWORD，计算相同的矩并比较相邻两个时间窗口中均值的 $L_1$ 距离。在三个真实世界基准测试（MIT Reality、AskUbuntu、Enron）上，这将 SCPD 的均值 $F_1$ 从 0.27 提升至 0.79，其中 SCPD 在 Enron 上未能检测到任何变点。受控的级联消融实验归因于两个设计选择：两个窗口均值结构（在 MIT 上占主导）以及对这些均值向量的 $L_1$ 度量（在 Enron 上占主导）。区间宽度扫描排除了直方图离散化——SCPD 最显眼的架构选择——作为驱动因素。SWORD 继承 SCPD 的 KPM 核心，因此每图计算成本为 $O(KRm)$，无需特征分解，可扩展至 86000 节点网络。通过数据集级调优，SWORD 在均值 $F_1$ 上匹配离线 TIRE 自编码器，并在三个基准测试中实现最高精度（$0.91$），仅出现 2 个误报。