.png){kind=icon}
返回
Tracing structural evolution: Representation reconstruction for unattributed dynamic graph anomaly detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.asoc.2026.116437.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，动态图中的异常检测受到了广泛关注，因为它通过聚合时序邻居信息来揭示节点中的潜在异常。现有的图异常检测方法通常依赖有效的节点属性进行消息聚合。然而，在真实世界的动态图中，节点属性往往不可用、不可靠或受隐私限制。本文聚焦于无属性动态图异常检测，其中原始节点属性不可用，节点表示必须从时序拓扑中推断。此外，异常节点通常试图通过连接大量正常节点来降低其可疑性。在消息聚合过程中，异常节点会从正常节点接收过多的表示信息，导致异常特征覆盖问题。在无属性的动态图中，节点属性的缺失和动态消息聚合会加剧动态异常特征覆盖问题。本文提出追踪结构演化：无属性动态图异常检测的表示重建（SIGAD），以解决无属性动态图中的节点属性缺失和动态异常特征覆盖问题。具体而言，SIGAD捕获动态结构信息，并为表现出相似结构角色的节点分配相似的表示。这些表示编码了节点结构角色的时序演化，增强了其表达能力。在两个真实标签动态图数据集和两个合成异常动态图数据集上的实验结果表明，在相同的无属性节点输入协议下，SIGAD始终优于竞争基线方法。
期刊
IF:
6.6
论文数:
1.4W
被引数:
4.8W
机构
查看更多机构
引用论文
暂无论文信息