SLADE: 通过自监督学习在边缘流中无标签地检测动态异常
内容提要
本文综述动态图异常检测研究，涵盖半监督框架、SL-GAD、DSLAD、GADY、MIDAS、Anomal-E等方法，结合对比学习、自编码器、生成对抗网络与记忆模块，解决结构构建和负采样难题，在金融、网络安全等领域优于现有方法。
延伸解读
动态图异常检测的挑战与应对
动态图异常检测面临两大挑战：动态结构构建和负采样。动态结构构建难以捕捉复杂时间信息，负采样则难以生成优质负样本用于无监督学习。GADY通过连续动态图模型和生成对抗网络生成负交互来应对，实验证明其在三个真实数据集上优于先前方法。
半监督与自监督方法对比
半监督框架结合时间内存库和伪标签对比学习，利用未标记样本，在少量标记数据下优于现有方法。自监督方法DSLAD将异常磨合与表示学习分离，使用双线性池化和掩蔽自编码器，解决数据分布失衡问题，在六个基准数据集上有效。两者均致力于提升异常检测性能。
在线检测与概念漂移处理
在线检测算法如MIDAS和MIDAS-F能在恒定时间和空间内检测流图中的微簇异常，MIDAS-F通过调整得分函数和条件合并步骤提高了准确性并降低了误报率。此外，使用记忆模块的自动编码器可有效处理概念漂移，增量学习方法结合漂移检测也能应对非平稳环境中的异常事件。
Q&A
动态图异常检测面临哪些主要挑战？
动态图异常检测面临两个主要挑战：动态结构构建挑战，即难以捕捉带有复杂时间信息的图结构；负采样挑战，即无法构建优秀的负样本用于无监督学习。
GADY 方法是如何解决动态图异常检测中的挑战的？
GADY 针对动态结构构建挑战，提出了连续动态图模型来捕捉精细信息，打破离散方法的限制，采用消息传递框架结合位置特征获得边缘嵌入，通过解码识别异常；针对负采样挑战，首次使用生成对抗网络生成负交互，并设计损失函数改变生成器训练目标，确保生成样本的多样性和质量。
SL-GAD 方法如何检测图数据中的异常？
SL-GAD 利用生成属性回归模块捕捉属性空间中的异常，以及多视角对比学习模块从多个子图中挖掘丰富的结构信息来检测结构空间中的异常。
DSLAD 方法有什么特点？
DSLAD 是一种自监督方法，将异常检测的异常磨合和表示学习分离，使用双线性池化和掩蔽自编码器作为异常磨合器。通过解耦，构建了平衡的功能空间，节点之间语义辨别性更强，同时解决数据分布失衡问题。
MIDAS 和 MIDAS-F 算法有什么不同？
MIDAS 和 MIDAS-F 都是基于流图数据在线检测异常的算法，在恒定时间和空间内检测微簇异常。MIDAS-F 通过调整异常得分函数和引入条件合并步骤，相比 MIDAS 有更高的准确性和更低的误报率。
Anomal-E 方法在异常检测中有什么创新？
Anomal-E 是一种新型入侵和异常检测方法，采用基于图神经网络的自监督学习，利用网络流量中的边部特征和拓扑结构。它是首次在无标签网络流量监测中采用 GNN 并取得实际成功的方法。
