.png){kind=icon}
返回
Anomaly Detection Using Graph Anomaly Rules
.png){kind=icon}
PRE
AI
DOI：10.26599/BDMA.2025.9020012.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
属性网络中的异常检测用于发现偏离多数的个体或群体的模式，并广泛应用于电子商务和社交媒体等领域。我们定义了一个新的图规则系统用于图的异常检测，称为异常图规则（AGRs）。利用规则推理机制，AGRs以图模式的形式描述异常节点和结构，并通过不同类型的字面量表达异常生成的逻辑。除了增强规则捕获完整图特征信息的能力外，字面量还支持机器学习模型的嵌入。此外，我们提出了一种规则匹配算法，将AGRs应用于整个图进行异常检测。该算法创新性地将条件判定融入模式匹配，采用条件验证辅助模式匹配的剪枝操作，从而提高效率。与大多数先前研究不同，该算法能够同时检测异常节点和异常结构，且结果可进行逻辑解释。我们使用真实和合成数据集证明了该算法的准确性和效率。
Keyword:
Machine learning algorithms
Costs
Social networking (online)
Machine learning
Logic
Electronic commerce
Computational complexity
Anomaly detection
Pattern matching
Synthetic data
graph anomaly rules
pattern matching
anomaly detection
期刊
IF:
6.2
论文数:
274
被引数:
1.0K
机构
引用论文
.png){kind=icon}
查看更多内容