GeneralDyG – 南洋理工推出的通用动态图异常检测方法-爱论文

GeneralDyG是什么

GeneralDyG 是南洋理工大学研究团队提出的通用动态图异常检测方法，旨在解决动态图数据在社交网络、电商和网络安全等领域的异常检测问题。通过时间 ego-graph 采样模块、图神经网络提取模块和时间感知 Transformer 模块，有效应对数据分布多样性、动态特征捕捉困难和计算成本高等挑战。GeneralDyG 在多个真实数据集上的实验结果显示，性能显著优于现有的多种主流方法，展现了卓越的通用性和检测能力。

GeneralDyG的主要功能

数据分布多样性适应：通过提取节点、边及其拓扑结构的关键信息，GeneralDyG 能够适应不同数据集的复杂特征分布。动态特征捕捉：该方法结合全局时间动态和局部结构变化，深入建模动态图中的多尺度动态模式。高效计算框架：构建了轻量化框架，能够高效捕获关键动态特征，显著提升计算效率。时间 ego-graph 采样：通过构建紧凑的子图结构，有效应对大规模动态图数据带来的计算压力。结构与时间特征融合：利用时间感知 Transformer 模块整合时间序列和结构特征，确保异常检测的准确性。

GeneralDyG的技术原理

时间 ego-graph 采样模块：该模块通过构建紧凑的子图结构来有效应对大规模动态图数据带来的计算压力。基于中心事件，通过 k-hop 算法提取其周围交互历史，构成时间 ego-graph。k-hop 算法考虑了事件间的时间顺序与拓扑关系，确保采样过程兼顾时间动态与结构特性。模块引入特殊标记来分隔不同层次的交互信息，帮助 Transformer 模块更好地识别与学习时间序列中的层级动态。图神经网络提取模块：在时间 ego-graph 的基础上，设计了一种新的图神经网络（TensGNN）来提取丰富的结构信息。TensGNN 通过交替应用节点层和边层来实现特征信息的传播与更新，从而在节点特征和边特征之间构建强关联。节点层利用节点的邻接矩阵和特定拉普拉斯矩阵进行卷积运算，同时结合边的特征更新节点表示。边层则基于边的邻接关系和节点的状态更新边的特征表示。时间感知 Transformer 模块：模块整合时间序列和结构特征，在自注意力机制中，模型分别基于 Query 和 Key 编码图的拓扑结构信息，将 Value 保留为原始事件特征，确保异常检测的准确性。通过这一模块，模型能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。

GeneralDyG的项目地址

Github仓库：https://github.com/YXNTU/GeneralDyGarXiv技术论文：https://arxiv.org/pdf/2412.16447

GeneralDyG的应用场景

社交网络：在社交网络中，GeneralDyG 可以用于检测异常行为，如*信息传播、虚假账户识别等。通过分析用户之间的互动关系及其随时间的变化，能有效识别出偏离正常社交模式的异常行为。电子商务：在电商领域，GeneralDyG 可以用于检测欺诈交易。通过分析用户的交易行为和商品之间的关联关系，能识别出异常的交易模式，帮助电商平台提高交易的安全性和可靠性。网络安全：在网络安全方面，GeneralDyG 可以用于检测网络入侵和异常流量。通过分析网络中的数据包传输和节点之间的连接关系，能及时发现潜在的安全威胁，提高网络系统的安全性。金融系统：在金融领域，GeneralDyG 可以用于检测金融欺诈和异常交易行为。通过分析金融交易网络中的资金流动和账户之间的关系，能识别出异常的金融活动，帮助金融机构防范风险。