GeneralDyG：南洋理工大学推出动态图异常检测新方法

GeneralDyG简介

GeneralDyG是由南洋理工大学（NTU）的计算与数据科学学院、NTU-UBC卓越研究中心（LILY）以及NTU-WeBank金融科技研究中心联合开发的一种动态图异常检测方法。该方法通过采样时间自我图和顺序提取结构与时间特征，有效解决了数据多样性、动态特征捕获和计算成本等问题，展现出在不同任务和数据集上的良好泛化能力。GeneralDyG在多个真实世界数据集上的表现超越了现有的最先进方法，为社交网络、网络安全等领域的异常检测提供了一种新的解决方案。

GeneralDyG主要功能

1. 异常检测：识别动态图中偏离正常模式的异常节点和边。
2. 泛化能力：跨不同任务或数据集的动态图异常检测任务中保持高性能。
3. 数据多样性适应：能够适应具有不同拓扑结构和节点/边属性的动态图数据集。
4. 动态特征捕获：捕捉局部和全局的动态变化，以识别异常。
5. 计算成本优化：通过采样自我图减少计算资源消耗，提高效率。

GeneralDyG技术原理

1. 时间自我图采样：围绕异常事件采样时间自我图，捕获k-hop范围内的历史交互信息。
2. 结构和时间特征提取：
   • GNN提取器：设计了一种新颖的GNN提取器，能够同时处理节点和边的特征，并将它们嵌入到特征空间中。
   • Transformer模块：使用Transformer捕获时间信息，同时保留原始事件特征。
3. 层次关系区分：在特征序列中引入特殊标记（如|KHS|），以区分异常事件之间的层次关系，确保模型在捕获全局时间信息的同时关注局部动态特征。
4. 计算效率提升：通过仅使用与异常事件相关的自我图而不是整个图进行训练，减少了计算资源的需求。
5. 性能评估：在多个真实世界数据集上评估GeneralDyG的性能，使用AUC、AP和F1等指标验证其有效性。
6. 泛化分析：通过在不同类型的任务（节点级别和边级别）上测试GeneralDyG，分析其在不同数据集上的泛化能力。

GeneralDyG应用场景

1. 社交网络监控：检测社交网络中的异常行为，如欺诈账户、垃圾信息传播或社交机器人。
2. 网络安全：识别网络入侵和攻击，例如异常的网络流量或可疑的登录活动。
3. 金融交易分析：在金融交易网络中识别欺诈性交易或洗钱行为。
4. 知识网络维护：在知识图谱中检测异常链接或错误信息，保持知识库的准确性。
5. 电子商务：在用户交互网络中识别虚假评价或恶意卖家行为。
6. 工业系统监控：在工业控制系统中检测异常操作或设备故障，以保障生产安全。

GeneralDyG项目入口

• Github代码库：https://github.com/YXNTU/GeneralDyG
• arXiv技术论文：https://arxiv.org/pdf/2412.16447