大纲

根据算法模型的检测级别图异常检测任务大体上分为三类：

在上述分类下可以根据图数据类型可以进一步区分，主要包括：① 静态图：简单图，属性图 ② 动态图

异常边检测

与针对单个节点的异常节点检测相比，异常边检测旨在识别异常链接，这些链接通常会告知真实对象之间的意外或不寻常的关系。

一般处理边流的情况，因此边异常检测模型普遍是针对动态图检测。

传统方法

  • [ICDM 2018] SedanSpot [1]

    异常边两种情形：① 连接图中断开的区域 ② 突然大量出现。对于输入的边，模型给每条边分配异常分数，得分最高的前kk 条边是异常。

  • [WSDM 2021] F-Fade [2]

    融合了概率模型和矩阵分解的优点，可以同时捕获节点的时间和结构变化。

DNN-based

  • [IJCNN 2020] [3]

    通过对这些深度模型的边分布进行建模来解决问题，并识别最不可能出现异常的现有边。

    异常边检测

GCN-based

  • [ICDM 2020] AANE [4]

    通过在训练期间迭代更新嵌入和检测结果，同时考虑异常边训练和性能问题。

NRL-based

  • [IJDSA 2020] ICANE [5]

    通过节点和边的共同嵌入来进行交互内容感知网络嵌入的想法。不是针对异常检测任务但其边表示学习方法可以借鉴。

上述仅代表目前个人统计的图异常检测领域的部分方法，后续学习补充…

  1. Sedanspot: Detecting anomalies in edge streams ↩︎

  2. F-fade: Frequency factorization for anomaly detection in edge streams ↩︎

  3. Unified graph embedding-based anomalous edge detection ↩︎

  4. Aane: Anomaly aware network embedding for anomalous link detection ↩︎

  5. ICANE: interaction content-aware network embedding via co-embedding of nodes and edges ↩︎