轻松进行动态图异常检测，南洋理工提出GeneralDyG

今天golang学习网给大家带来了《轻松进行动态图异常检测，南洋理工提出GeneralDyG》，其中涉及到的知识点包括等等，无论你是小白还是老手，都适合看一看哦~有好的建议也欢迎大家在评论留言，若是看完有所收获，也希望大家能多多点赞支持呀！一起加油学习~

AIxiv 专栏报道：南洋理工大学提出通用动态图异常检测方法 GeneralDyG，AAAI 2025 录用

AIxiv 专栏持续关注全球顶尖AI研究成果。近日，一篇关于动态图异常检测的论文被 AAAI 2025 接收，该研究由南洋理工大学计算与数据科学学院（CCDS）完成。 论文提出了一种名为 GeneralDyG 的通用方法，有效解决了动态图异常检测中的关键挑战。

论文第一作者为南洋理工大学 CCDS 学院硕士生杨潇（导师：苗春燕教授），通讯作者为南洋理工大学百合研究中心的瓦伦堡-南洋理工大学校长博士后研究员赵雪娇和南洋理工大学 CCDS 学院高级讲师兼高级研究员申志奇。

研究挑战与 GeneralDyG 的创新性

动态图数据在众多领域广泛应用，但其节点和边的动态变化特性给异常检测带来了巨大挑战。现有的深度学习方法通常难以适应不同的数据集和场景，难以高效捕捉局部和全局的复杂特征，且在处理大规模数据时计算成本高昂。

GeneralDyG 针对上述问题，提出了一种三阶段框架：

1. 时间 ego-graph 采样模块: 通过构建紧凑的子图结构，有效降低计算复杂度，同时保留关键的时间和结构信息。该模块利用 k-hop 算法并引入层级标记，平衡信息完整性和计算效率。

2. 图神经网络提取模块 (TensGNN): 采用一种新颖的图神经网络，通过节点层和边层的交替应用，加强节点和边特征之间的关联，更有效地捕捉局部和全局特征。轻量化算子的运用进一步提升了计算效率。

3. 时间感知 Transformer 模块: 融合时间序列和结构特征，利用自注意力机制，准确捕捉全局时间依赖性和局部动态变化。

图：GeneralDyG 整体架构

实验结果与结论

研究人员在四个真实数据集 (SWaT、WADI、Bitcoin-Alpha、Bitcoin-OTC) 上进行了实验，并与 20 种主流基线方法进行了比较。结果显示，GeneralDyG 在节点级和边级异常检测任务上均显著优于现有方法，展现了其卓越的通用性和鲁棒性。

图：部分实验结果对比

GeneralDyG 为动态图异常检测提供了一种高效且通用的解决方案，其创新性体现在对数据多样性、动态特征捕捉和计算效率的有效处理。 更多细节请参考论文原文：

• 论文标题: A Generalizable Anomaly Detection Method in Dynamic Graphs
• 论文链接: https://arxiv.org/abs/2412.16447
• 代码: https://github.com/YXNTU/GeneralDyG

如果您有优秀的工作想要分享，欢迎投稿或者联系报道。投稿邮箱：liyazhou@jiqizhixin.com；zhaoyunfeng@jiqizhixin.com

以上就是《轻松进行动态图异常检测，南洋理工提出GeneralDyG》的详细内容，更多关于工程的资料请关注golang学习网公众号！