轻松进行动态图异常检测，南洋理工提出GeneralDyG

解决数据分布多样、动态特征捕获难和计算成本高三大核心问题。

原标题：轻松进行动态图异常检测，南洋理工提出GeneralDyG
文章来源：机器之心
内容字数：4497字

南洋理工大学提出通用动态图异常检测方法GeneralDyG

本文介绍了南洋理工大学的研究团队发表在AAAI 2025上的论文“A Generalizable Anomaly Detection Method in Dynamic Graphs”，该论文提出了一种名为GeneralDyG的通用动态图异常检测方法，有效解决了动态图异常检测中的三大挑战：数据分布多样性、动态特征捕获困难以及高计算成本。

1. 研究背景与问题

动态图数据广泛应用于社交网络、电商和网络安全等领域。然而，节点和边的动态变化给异常检测带来了巨大挑战。现有基于深度学习的动态图异常检测方法普遍存在通用性不足的问题，难以适应不同的数据集和任务场景，并且在处理大规模动态图时计算成本较高。

2. 方法设计：GeneralDyG框架

GeneralDyG框架由三个主要模块组成，分别针对数据分布多样性、动态特征捕获和计算成本高这三个挑战提供解决方案：

1. 时间 ego-graph 采样模块

   该模块通过构建紧凑的子图结构（时间ego-graph）来缓解大规模数据带来的计算压力。它基于中心，利用k-hop算法提取周围交互历史，并引入特殊标记来分隔不同层次的交互信息，在保证信息完整性的同时降低计算复杂度。

2. 图神经网络提取模块 (TensGNN)

   该模块利用一种新型图神经网络TensGNN，通过交替应用节点层和边层来提取丰富的结构信息，在节点特征和边特征之间构建强关联，并使用轻量化算子提高计算效率。

3. 时间感知 Transformer 模块

   该模块整合时间序列和结构特征，利用自注意力机制有效捕获动态图中全局的时间依赖性和局部的动态变化，实现对复杂异常模式的准确建模。

3. 实验验证

研究人员在四个真实数据集（SWaT、WADI、Bitcoin-Alpha、Bitcoin-OTC）上进行了节点级别和边级别的实验评估，并与20种主流基线方法进行了比较。结果表明，GeneralDyG在所有数据集上均显著优于现有方法，展现了卓越的通用性和检测能力。

4. 总结

GeneralDyG 提出了一种通用的动态图异常检测方法，有效地解决了数据分布多样性、动态特征捕获困难和高计算成本等问题，为动态图异常检测提供了一种高效且通用的解决方案。该研究成果已发表在AAAI 2025，论文第一作者为南洋理工大学硕士生杨潇，通讯作者为赵雪娇和申志奇。

联系作者

文章来源：机器之心
作者微信：
作者简介：专业的人工智能媒体和产业服务平台