要約
時間知識グラフ(TKG)は、エンティティ間の進化する関係を捉えるための貴重なリソースであるが、ノイズに悩まされることが多く、ロバストな異常検知メカニズムが必要である。既存の動的グラフ異常検知アプローチは、TKG内のノードとエッジのカテゴリによってもたらされる豊富なセマンティクスを捉えるのに苦労している。一方、TKG埋め込み手法は解釈可能性に欠け、異常検知の信頼性を損なっている。さらに、これらの手法は知識の更新に起因するパターンの変化やセマンティックドリフトに適応するのに苦労する。これらの課題に取り組むために、我々は、TKGにおける解釈可能なオンライン異常検出のために調整された効率的なTKG要約手法であるAnoTを紹介する。AnoTはTKGを新しいルールグラフに要約することから始め、TKGの複雑なパターンを柔軟に推論できるようにする。新しい知識が出現すると、AnoTはそれをルールグラフのノードにマッピングし、ルールグラフを再帰的に走査して、その知識の異常スコアを導出する。トラバーサルは、新しい知識の有効性または異常性の解釈可能な証拠を提供する到達可能なノードを生成する。全体として、AnoTは、オフラインのTKG要約とオンラインスコアリングのための検出器、新たな知識に基づくリアルタイムのルールグラフ更新のための更新器、ルールグラフの近似誤差を推定するための監視器を包含する、検出器-更新器-監視器のアーキテクチャを具現化する。実世界の4つのデータセットでの実験結果は、AnoTが精度と相互運用性の点で既存の手法を大きく上回ることを示している。生のデータセットとAnoTの実装は全てhttps://github.com/zjs123/ANoT。
要約(オリジナル)
Temporal knowledge graphs (TKGs) are valuable resources for capturing evolving relationships among entities, yet they are often plagued by noise, necessitating robust anomaly detection mechanisms. Existing dynamic graph anomaly detection approaches struggle to capture the rich semantics introduced by node and edge categories within TKGs, while TKG embedding methods lack interpretability, undermining the credibility of anomaly detection. Moreover, these methods falter in adapting to pattern changes and semantic drifts resulting from knowledge updates. To tackle these challenges, we introduce AnoT, an efficient TKG summarization method tailored for interpretable online anomaly detection in TKGs. AnoT begins by summarizing a TKG into a novel rule graph, enabling flexible inference of complex patterns in TKGs. When new knowledge emerges, AnoT maps it onto a node in the rule graph and traverses the rule graph recursively to derive the anomaly score of the knowledge. The traversal yields reachable nodes that furnish interpretable evidence for the validity or the anomalous of the new knowledge. Overall, AnoT embodies a detector-updater-monitor architecture, encompassing a detector for offline TKG summarization and online scoring, an updater for real-time rule graph updates based on emerging knowledge, and a monitor for estimating the approximation error of the rule graph. Experimental results on four real-world datasets demonstrate that AnoT surpasses existing methods significantly in terms of accuracy and interoperability. All of the raw datasets and the implementation of AnoT are provided in https://github.com/zjs123/ANoT.
arxiv情報
| 著者 | Jiasheng Zhang,Rex Ying,Jie Shao |
| 発行日 | 2024-09-02 17:41:24+00:00 |
| arxivサイト | arxiv_id(pdf) |