Changepoint Detection in Highly-Attributed Dynamic Graphs

要約

動的ネットワークにおける異常な動作を検出することは、依然として課題です。
これらのネットワークの基礎となるトポロジが個々の高次元ノード属性の影響を受ける場合、この問題はさらに悪化します。
私たちは、コミュニティ構造の代理としてネットワークのモジュール性を追跡することで、この問題に対処します。
グラフ ニューラル ネットワーク (GNN) を活用して、各スナップショットのモジュール性を推定します。
GNN はネットワーク構造と高次元のノード属性の両方を考慮することができ、ネットワーク統計を推定するための包括的なアプローチを提供します。
私たちの方法は、モジュール性の変化を分析することによって、帰属度の高いネットワークの変化を検出する能力を実証するシミュレーションを通じて検証されています。
さらに、私たちの方法は、各ノードが高次元のテキスト属性を持つ \#Iran Twitter 返信ネットワーク内の現実世界のイベントを検出できることがわかりました。

要約(オリジナル)

Detecting anomalous behavior in dynamic networks remains a constant challenge. This problem is further exacerbated when the underlying topology of these networks is affected by individual highly-dimensional node attributes. We address this issue by tracking a network’s modularity as a proxy of its community structure. We leverage Graph Neural Networks (GNNs) to estimate each snapshot’s modularity. GNNs can account for both network structure and high-dimensional node attributes, providing a comprehensive approach for estimating network statistics. Our method is validated through simulations that demonstrate its ability to detect changes in highly-attributed networks by analyzing shifts in modularity. Moreover, we find our method is able to detect a real-world event within the \#Iran Twitter reply network, where each node has high-dimensional textual attributes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google