Fast and Attributed Change Detection on Dynamic Graphs with Density of States

要約

国際便の輸送ログから交通障害や学術ネットワークにおける協力関係の変化をどのように検出できるでしょうか?
これらの問題は、動的グラフ内の異常な変化点を検出するものとして定式化できます。
現在のソリューションは、現実世界の大規模なグラフにはうまく対応できず、大量のノードの追加/削除に対する堅牢性に欠け、ノード属性の変化を見落とします。
これらの制限に対処するために、私たちは新しいスペクトル手法であるスケーラブル変化点検出 (SCPD) を提案します。
SCPD は、各ステップでラプラシアン スペクトルの分布を効率的に近似することにより、各グラフ スナップショットの埋め込みを生成します。
SCPD は、属性と固有ベクトルの間の相関関係を追跡することで、ノード属性の変化を捕捉することもできます。
合成データと現実世界のデータを使用した広範な実験を通じて、SCPD が (a) 最先端のパフォーマンスを達成し、(b) 最先端の方法よりも大幅に高速で、数百万のエッジを簡単に処理できることを示しました。
CPU 数分で、(c) 大量のノード属性、追加または削除に効果的に取り組むことができ、(d) 現実世界の大規模なグラフで興味深いイベントを発見できます。
コードは https://github.com/shenyangHuang/SCPD.git で公開されています。

要約(オリジナル)

How can we detect traffic disturbances from international flight transportation logs or changes to collaboration dynamics in academic networks? These problems can be formulated as detecting anomalous change points in a dynamic graph. Current solutions do not scale well to large real-world graphs, lack robustness to large amounts of node additions/deletions, and overlook changes in node attributes. To address these limitations, we propose a novel spectral method: Scalable Change Point Detection (SCPD). SCPD generates an embedding for each graph snapshot by efficiently approximating the distribution of the Laplacian spectrum at each step. SCPD can also capture shifts in node attributes by tracking correlations between attributes and eigenvectors. Through extensive experiments using synthetic and real-world data, we show that SCPD (a) achieves state-of-the art performance, (b) is significantly faster than the state-of-the-art methods and can easily process millions of edges in a few CPU minutes, (c) can effectively tackle a large quantity of node attributes, additions or deletions and (d) discovers interesting events in large real-world graphs. The code is publicly available at https://github.com/shenyangHuang/SCPD.git

arxiv情報

提供元, 利用サービス

arxiv.jp, Google