AnomMAN: Detect Anomaly on Multi-view Attributed Networks

要約

属性付きネットワークでの異常検出は、オンライン ショッピング、金融取引、通信ネットワークなどで広く使用されています。
ただし、属性付きネットワークで異常を検出しようとするほとんどの既存の作業は、単一の種類の相互作用のみを考慮しているため、マルチビュー属性付きネットワークでのさまざまな種類の相互作用を処理できません。
さまざまな種類の相互作用をすべて一緒に検討し、マルチビュー属性ネットワークで異常なインスタンスを検出することは、依然として困難な作業です。
この論文では、マルチビュー属性ネットワーク上の異常を検出するために、AnomMAN という名前のグラフ畳み込みベースのフレームワークを提案します。
マルチビュー属性ネットワーク上の属性とあらゆる種類の相互作用を共同で検討するために、注意メカニズムを使用して、ネットワーク内のすべてのビューの重要性を定義します。
グラフ畳み込み演算のローパス特性は、ほとんどの高周波信号 (異常信号) を除外するため、異常検出タスクに直接適用することはできません。
AnomMAN はグラフ オート エンコーダー モジュールを導入して、ローパス機能の欠点を利点に変えます。
実世界のデータセットでの実験によると、AnomMAN は最先端のモデルと提案されたモデルの 2 つのバリアントよりも優れています。

要約(オリジナル)

Anomaly detection on attributed networks is widely used in online shopping, financial transactions, communication networks, and so on. However, most existing works trying to detect anomalies on attributed networks only consider a single kind of interaction, so they cannot deal with various kinds of interactions on multi-view attributed networks. It remains a challenging task to jointly consider all different kinds of interactions and detect anomalous instances on multi-view attributed networks. In this paper, we propose a graph convolution-based framework, named AnomMAN, to detect Anomaly on Multi-view Attributed Networks. To jointly consider attributes and all kinds of interactions on multi-view attributed networks, we use the attention mechanism to define the importance of all views in networks. Since the low-pass characteristic of graph convolution operation filters out most high-frequency signals (aonmaly signals), it cannot be directly applied to anomaly detection tasks. AnomMAN introduces the graph auto-encoder module to turn the disadvantage of low-pass features into an advantage. According to experiments on real-world datasets, AnomMAN outperforms the state-of-the-art models and two variants of our proposed model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google