统计特征增强让7种模型异常检测全面涨点！Reddit、维基、MOOC实测有效
Statistical Feature Augmentation for Anomaly Detection in Dynamic Graphs
📖 AI 总结
该研究提出了一种统计特征增强方法，用于提升动态图上的异常检测性能。动态网络需同时捕捉时间、结构与特征信息，但现有深度学习模型难以直接从原始事件流中学习短期行为交互信号，如发送者强度或交互惯性。为此，作者将行为交互统计量显式编码进输入特征空间，并在Reddit、Wikipedia和MOOC三个真实数据集上，对涵盖连续时间和离散时间架构的七种模型进行了评估。结果显示，相较于使用原始嵌入的基线，该方法一致性地提升了异常检测性能。此外，增强后的输入为每个统计量分配了独立维度，支持细粒度的行为重要性事后分析。这项工作展示了将经典网络分析与深度学习相结合的有效途径。
🔑 关键词速览
| Dynamic Graphs | 动态图，指随时间演化的图结构，其中节点和边会随时间变化。 |
| Anomaly Detection | 异常检测，识别数据中不符合预期模式的异常事件或行为。 |
| Statistical Feature Augmentation | 统计特征增强，一种通过将统计信息添加到输入特征来提升模型性能的方法。 |
| Behavioral Interaction Statistics | 行为交互统计，描述节点间交互行为特征的统计量，如发送者强度或交互惯性。 |
| Continuous-time and Discrete-time Architectures | 连续时间和离散时间架构，分别指处理连续时间事件流和离散时间步数据的模型架构。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅