SLADE: 通过自监督学习在边缘流中无标签地检测动态异常
原文中文,约500字,阅读约需1分钟。发表于: 。我们提出了 SLADE (Self-supervised Learning for Anomaly Detection in Edge Streams) 方法,用于在边缘流中快速检测动态异常,无需依赖标签,并通过观察节点交互模式的偏离来检测节点进入异常状态的变化。在四个真实世界数据集上的动态异常检测中,SLADE 优于九种竞争方法,甚至那些利用标签监督的方法。
该研究提出了一种基于动态图的无监督生成式异常检测方法(GADY),用于检测行为明显偏离图和时间信息内观察到的规范的实体。实验证明,GADY在三个现实世界数据集上明显优于先前的方法。