.png){kind=icon}
返回
Structural-temporal coupling anomaly detection with dynamic graph transformer
.png){kind=icon}
PRE
AI
DOI：10.1007/s10618-025-01176-6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在动态图上检测异常边是在演变的三元组数据上的许多应用中的一个重要任务，例如社交网络、交易管理和流行病学。该任务的主要挑战是缺乏结构-时序耦合信息，这降低了表示区分异常实例与正常实例的能力。现有方法主要关注使用嵌入模型处理独立的结构和时序特征，这忽略了这两种信息类型之间的深度交互。在本文中，我们提出了一种基于动态图变换器模型的结构-时序耦合异常检测架构。具体而言，我们从两个集成层次引入结构和时序特征，以提供异常感知的图演化模式。然后，实现了一种增强了两维位置编码的动态图变换器，以捕获判别信号和上下文一致性信号。在六个数据集上的广泛实验表明，我们的方法优于当前的最优模型。一个新颖的案例研究和进一步的讨论阐述了当应用于实际任务时我们方法的优势。
Keyword:
Anomaly detection
Dynamic graphs
Graph transformer
Structural temporal learning.
期刊
IF:
4.3
论文数:
214
被引数:
6.0K
机构
引用论文
2D Positional Embedding-based Transformer for Scene Text Recognition基于2D位置嵌入的Transformer用于场景文本识别
OAAI
OAAI分享收藏Foundations and Modeling of Dynamic Networks Using Dynamic Graph Neural Networks: A Survey.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏分享收藏 没有更多内容
没有更多内容