Core Concepts
動的ネットワークにおける異常検出のために、コミュニティ構造を基盤とした確率的なアプローチを提案する。ネットワーク構造の変化を捉えつつ、異常な相互作用を特定する。
Abstract
本研究では、動的ネットワークにおける異常検出のための確率的なアプローチを提案している。
ネットワークの動的な変化を連続時間マルコフ過程でモデル化し、ノードのコミュニティ構造を潜在変数として導入する。
コミュニティ構造は正常な相互作用パターンを表し、それからの逸脱を異常として検出する。
時間変化するコミュニティ構造と異常エッジの確率を同時に推定することで、動的なネットワークにおける異常を特定する。
合成データと実世界のデータセットを用いた評価実験により、提案手法の有効性を示している。
特に、プロサッカー選手の移籍データの分析では、クラブの富裕度や所属コミュニティとの関係性から興味深い異常パターンを発見している。
さらに、データ収集時の誤ラベリングを検出する応用例も示している。
Stats
異常エッジの割合が低い場合(ρa = 0.1)、提案手法DynACDは従来手法ACDよりも高いAUCを達成する。
異常エッジの割合が中程度(ρa = 0.5)の場合、入力とする時間ステップ数が増えるにつれ、DynACDの性能が向上するのに対し、ACDは頭打ちとなる。
異常エッジの割合が高い(ρa = 0.9)場合でも、DynACDは時間ステップ数の増加に伴い性能が向上する。
Quotes
"異常検出は動的ネットワークの分析において不可欠な課題であり、潜在的な脅威や異常な挙動の早期警告を提供できる。"
"コミュニティ構造を基盤モデルとして組み込むことで、正常な挙動のパターンを捉え、それからの逸脱を異常として特定できる。"
"動的な相互作用パターンを考慮することで、コミュニティ構造が類似していても異常な振る舞いを検出できる。"