.png){kind=icon}
返回
Graph representation learning method using diffusion sampling for dynamic graph anomaly detection
.png){kind=icon}
PRE
AI
DOI：10.1007/s10115-025-02606-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
由于动态图在社交网络和电子商务等领域的广泛应用，动态图异常检测的研究已引起越来越多的关注。现有方法通常采用固定跳数的邻居节点采样，且不考虑长期历史信息。本文提出了一种基于扩散技术的动态图异常检测图表示学习方法，简称为GDDyAD。所提出的方法旨在检测动态图中的异常边，通过评估节点的相对重要性实现更准确的子图采样，从而减少无关节点噪声的影响并降低计算成本。同时，该方法全面整合了长期历史信息。具体而言，对于每个节点，我们基于时间窗口内的扩散技术选择影响力最大的top-k节点进行采样。随后，利用图卷积网络（GCNs）获取必要的结构信息。此外，采用门控循环单元（GRUs）捕获时间信息，并为每个GRU分配注意力权重以考虑历史信息的影响。最后，利用池化层获取目标节点的最终表示以进行异常检测。GDDyAD方法在六个公开数据集上进行评估，结果表明GDDyAD优于现有基线方法，AUC值平均提升2.17%。代码可在https://github.com/wmwm6666/GDDyAD获取。
Keyword:
Anomaly detection
Dynamic graphs
Graph representation learning
Graph diffusion
Graph node embedding
期刊
IF:
3.1
论文数:
545
被引数:
5.2K
机构
引用论文
RegraphGAN: A graph generative adversarial network model for dynamic network anomaly detectionRegraphGAN: 一种用于动态网络异常检测的图生成对抗网络模型.png)
NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏
DVAEGMM: Dual Variational Autoencoder With Gaussian Mixture Model for Anomaly Detection on Attributed NetworksDVAEGMM: 具有高斯混合模型的对偶变分自动编码器，用于属性网络上的异常检测IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏分享收藏
查看更多内容