《Anomaly Detection in Dynamic Graphs viaTransformer》论文解读

最新推荐文章于 2025-03-14 22:06:35 发布
最新推荐文章于 2025-03-14 22:06:35 发布
阅读量1k 收藏 6
点赞数 2
文章标签： 深度学习 神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_46475177/article/details/132548273
版权

文章链接：2106.09876v1.pdf (arxiv.org)

代码链接：GitHub - yuetan031/TADDY_pytorch: A Pytorch implement of paper "Anomaly detection in dynamic graphs via transformer" (TADDY).

 摘要：动态图的异常检测由于其在社交网络、电子商务和网络安全中的广泛应用而引起越来越多的关注。最近基于深度学习的方法已经显示更优异的结果。然而，它们未能解决动态图中异常检测的两个核心挑战：缺乏对无属性节点的信息编码以及难以从耦合的时空动态图中学习判别知识。为了克服这些挑战，在本文中，我们提出了一种基于Transform的动态图异常检测框架（TADDY）。我们的框架构建了一个综合的节点编码方法，以更好地代表每个节点的结构和时间的信息在时间序列图中。同时，TADDY通过动态图Transformer模型从具有耦合时空模式的动态图中捕获信息表示。大量的实验结果表明，我们提出的TADDY框架优于SOTA。

模型介绍

 TADDY由四个组件组成，即基于边缘的子结构采样，时空节点编码，动态图Transformer和异常检测器。该框架以端到端的方式进行训练。首先，为了捕获每个目标边缘的时空上下文，我们执行基于边缘的子结构采样以获取多个时间戳中的目标节点和上下文节点。然后，时空节点编码生成节点编码作为Transformer模型的输入。每个节点的空间和时间信息都被集成到固定长度编码中。然后，动态图Transformer提取边的时空信息。最后，在判别异常检测器中，我们执行负采样以生成伪负边缘，并且采用由二进制交叉熵损失训练的边缘评分模块来计算输出异常分数。

Edge-based Substructure Sampling

异常经常发生在图的局部子结构中，这表明我们应该将我们的感受野放大到合适的局部尺度。而不是工作在一个完整的动态图，我们首先采样子结构作为我们的异常检测框架的数据元素。由于我们专注于检测异常边缘，因此我们执行基于边缘的采样：动态图中的每条边被视为采样子结构的中心，并被表示为目标边。对于给定的目标边，我们将源节点和到达节点表示为目标节点。目标节点的相邻节点称为上下文节点。

借用图扩散技术来为每个目标边缘采样固定大小和重要性感知的上下文节点集。通过图扩散，获得图结构的全局视图，然后我们可以量化每个节点对于给定目标节点/边的重要性。形式上，给定静态图

最低0.47元/天 解锁文章
码字狮子
关注
AnomalyLLM: Few-shot Anomaly Edge Detection for Dynamic Graphs using Large Language Models
c_cpp_csharp的专栏
09-17 366
检测动态图的异常边缘旨在识别明显偏离正常模式的边缘，并可应用于各种领域，例如网络安全、金融交易和 AIOps。随着时间的推移，异常边缘的类型不断涌现，每种类型的标记异常样本都很少。当前方法要么旨在检测随机插入的边缘，要么需要足够的标记数据进行模型训练，这损害了它们在实际应用中的适用性。在本文中，我们通过配合大型语言模型 （LLM） 中编码的丰富知识来研究这个问题，并提出了一种方法，即 AnomalyLLM。
读论文《Temporal Graph Networks for Deep Learning on Dynamic Graphs》
buganything的博客
08-21 1691
作者提出了一种名为Temporal Graph Networks（TGNs）的新型深度学习框架，专门用于处理动态图数据。动态图是指图的结构或特征随时间变化的图，例如社交网络或生物互作网络。
AAAI2025 Accepted Papers（九）
最新发布
前行居士
03-14 1262
AAAI2025 Accepted Papers
动态图异常检测论文研究(一)和Transformer了解
qq_43570515的博客
04-10 1664
对动态图异常检测的相关论文进行了总结，同时对Transformer进行初步了解，动态图异常检测更能提高图异常检测的精度。
DYNAMIC GRAPH REPRESENTATION LEARNING VIAGRAPH TRANSFORMER NETWORKS 阅读笔记
baidu_40582876的博客
02-18 495
Traget 图学习的理论研究。 Motivation 在现实生活中，很多事物之间是有相互联系的，根据这种联系可以建立一个图结构。但是现实生活中的图结构往往不是固定的，是随着时间的变化而动态改变的，因此，需要设计一个动态的图的方法。 Problem 动态图的学习会面对两个问题，(1)对图信息非常敏感。(2)缺乏泛化能力。 Solved (1)为了解决图信息的敏感问题，提出了一个基于动态图的transformer，依靠临时空间编码来捕获图的拓扑。 (2)为了提升泛化能力，设计了一种互补的自监督
Graph Transformer Networks
王尚权 qq:2515162716
01-14 322
Graph Transformer Networks 通过自动选择元路径以端到端的方式实现异构图特征表示。
Graph Anomaly Detection with Deep Learning——图检测
Anooyman的博客
01-30 3985
图异常检测
【异常检测第三篇】AddGraph: Anomaly Detection in Dynamic Graph Using Attention-based Temporal GCN
AI蜗牛车
10-18 4678
一、 Address来自于IJCAI-19， 北大和阿里的paperAddGraph: Anomaly Detection in Dynamic Graph Using Attentio...
Real-Time Streaming Anomaly Detection in Dynamic Graphs阅读记录
一只不争气的蒸汽机的博客
03-31 425
Why 现有的专注于动态图的方法中，大多数都是都将边汇总为图快照，但这不能接近实时的检测，需要接收到边后立即识别出该边是否异常。在许多应用中的欺诈性或异常事件发生在微团簇或突然到达的可疑相似边缘组中，现有的方法都是检测单个边缘，且不能提供假阳率保证。本文提出的方法则是解决上述两个问题的。 1. Introduction 在专注于动态图的方法中，大多数方法都将边汇总为图快照。 但是，为了最大程度地减少恶意活动的影响并尽快开始恢复，我们需要实时或接近实时地检测异常情况。 接收到边后立即识别出该边是否异常。 此外
Time Series Anomaly Detection: Case Analysis and Practical Techniques
In the modern IT field, especially within the realm of time series data analysis, anomaly detection is a crucial process. Time series data typically refers to a sequence of data points arranged in ...
【2019/IJCAI】AddGraph: Anomaly Detection in Dynamic Graph Using Attention-based Temporal GCN
梦家の博客
12-17 1047
文章链接：https://www.ijcai.org/Proceedings/2019/0614.pdf 源码链接： TL;DR 论文结合GNN提出了动态图中半监督的边异常检测模型 AddGraph，同时考虑了节点的结构，属性和时序特征。对于标签数据不足的问题，在训练过程中采用了 negative sampling 和 margin loss 两个技巧。在两个真实数据集的实验中取得了较好的效果。 Problem Definition 论文中的方法主要用于推荐系统中的异常操作检测，举个例子：异常的用户想自.
Graph Anomaly Detection with Deep Learning——节点检测
Anooyman的博客
01-08 3077
异常节点的分类 全局异常：只考虑节点属性。它们是具有与图中所有其他节点显著不同的属性的节点。 结构异常：只考虑图形结构信息。它们是具有不同连接模式的异常节点（例如，连接不同社群，与其他社群形成密集链接） 社群异常：既考虑节点属性又考虑图结构信息。它们被定义为与同一社群中的其他节点相比具有不同属性值的节点
网络安全顶刊——TIFS 2023 论文清单与摘要（3）
漏洞战争
05-04 1368
181、How to Disturb Network Reconnaissance: A Moving Target Defense Approach Based on Deep Reinforcement Learning随着互联网流量的爆炸性增长，大量敏感和有价值的信息面临网络攻击的风险，而这些攻击大多以网络侦察为前提。一种名为主机地址突变（HAM）的移动目标防御技术有助于应对网络侦察。然而，...
Multivariate Time-Series Anomaly Detection based on Enhancing Graph Attention Networks with Topologi
weixin_45731480的博客
10-19 434
时间序列中的无监督异常检测在工业应用中至关重要，因为它显着减少了手动干预的需要。多元时间序列由于其特征和时间维度而提出了复杂的挑战。传统方法使用图神经网络 (GNN) 或 Transformer 来分析空间，而使用 RNN 来建模时间依赖性。这些方法狭隘地关注一维或进行粗粒度的特征提取，这对于以复杂关系和动态变化为特征的大型数据集来说可能是不够的。本文介绍了一种基于增强图注意力网络 (GAT) 的新颖时间模型，用于多元时间序列异常检测，称为 TopoGDN。我们的模型从细粒度的角度分析时间和特征维度。
【阅读文献】Multivariate Time-Series Anomaly Detection based on Enhancing Graph Attention Networks with To
2401_89112648的博客
12-20 1156
这段文字介绍了一种新的无监督异常检测方法，专门针对多变量时间序列数据，名为TopoGDN。opoGDN模型通过引入多尺度卷积和增强的图注意力机制，为多变量时间序列异常检测提供了一种有效的方法，能够更好地捕捉数据中的复杂关系和动态变化。
动态图表示学习论文学习进度
闯入网络安全的数据分析小白
08-12 557
编号 论文名 20% 40% 80% 100% 论文复现 1 Structural Temporal Graph Neural Networks for Anomaly Detection in Dynamic Graphs 　 ...
Multivariate Time-series Anomaly Detection via Graph Attention Network
qcmhzly的博客
03-21 863
第一类方法通过应用单变量模型[1]，[6]-[8]来分析每个单独的时间序列，而第二类方法则将多个时间序列建模为一个统一的实体[2]，[4]，[9]-[13]。从另一个角度来看，现有的异常检测模型也可以分为两种范式，即基于预测的模型[2]，[14]，[15]和基于重建的模型[4]，[11]-[13]。广泛的分析为模型提供了更多的见解，并验证了所提议的体系结构的有效性。此外，我们的方法联合优化了基于预测的模型和基于重建的模型，通过将单个时间戳预测和整个时间序列的重建相结合，获得了更好的时间序列表示。
multivariate time series anomaly detection survey
热门推荐
idevede的博客
05-07 1万+
Detecting spacecraft anomalies using lstms and nonparametric dynamic thresholding (Hundman et al. [2018])---宇航员，开源，将多通道分成单通道。 本文创新之处有两个：提出一种动态、无监督的确定阈值的方法；重新判定是否异常以减少误报率。   本文只向后预测一步，并且只预测一个维度，收集每一步的...
论文阅读-Heterogeneity-Aware Twitter Bot Detection with Relational Graph Transformers（AAAI-2022）
qq_40671063的博客
07-05 1929
论文阅读-Heterogeneity-Aware Twitter Bot Detection with Relational Graph Transformers（AAAI-2022）
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值