Der Artikel präsentiert einen neuen Ansatz zur Erkennung von Anomalien in Graphen, der als "Metapath-based Graph Anomaly Detection (MGAD)" bezeichnet wird. Der Kern der Methode besteht aus drei Modulen:
Subgraph Generation Module: Hier werden Anomalie-Subgraphen generiert, die Verbindungsmuster zwischen normalen und abnormalen Knoten unter Verwendung von Metapfaden und Knotenlabeln erfassen. Diese Subgraphen enthalten wichtige Kontextinformationen.
Graph Embedding Module: Dieses Modul nutzt GCN-basierte Encoder, um die Struktur- und Attributinformationen des gesamten Graphen sowie der Anomalie-Subgraphen zu extrahieren. Die resultierenden Einbettungsvektoren kombinieren globale, lokale und Anomalie-spezifische Merkmale.
Anomaly Detection Module: Zwei GCN-basierte Decoder rekonstruieren die Struktur und Attribute des Graphen aus den Einbettungsvektoren. Die resultierenden Rekonstruktionsfehler dienen als Anomalie-Scores für die Knoten.
Der Einsatz von Metapfaden ermöglicht es, wichtige Verbindungsmuster zwischen normalen und abnormalen Knoten effizient zu erfassen und zu berücksichtigen. Durch die Kombination von Metapfad-basierten Kontextinformationen und Aufmerksamkeitsmechanismen kann MGAD normale und abnormale Repräsentationen deutlich unterscheiden. Umfangreiche Experimente auf sieben Datensätzen zeigen die Überlegenheit von MGAD gegenüber dem Stand der Technik.
A otro idioma
del contenido fuente
arxiv.org
Ideas clave extraídas de
by Hwan Kim,Jun... a las arxiv.org 04-15-2024
https://arxiv.org/pdf/2308.10918.pdfConsultas más profundas