Обнаружение аномалий в динамических графах: всесторонний обзор
Anomaly Detection in Dynamic Graphs: A Comprehensive Survey
2024-05-29
SCID: 54.1/63eyf3rq
Discuss with AI
глубокое обучениеобнаружение аномалий в динамических графахдинамические сетиобнаружение аномалий на основе графовматричные преобразования
Figures from the paper
Abstract (AI)
В данной обзорной статье представлен всесторонний концептуальный анализ обнаружения аномалий (AD) с использованием динамических графов. Основное внимание уделено существующим методам обнаружения аномалий на основе графов и их применению к динамическим сетям. Обзор включает следующие результаты: (i) сравнительное исследование существующих обзоров по обнаружению аномалий; (ii) обзорную платформу для обнаружения аномалий на основе динамических графов (DGAD), в рамках которой подходы к обнаружению аномалий в динамических графах сгруппированы по традиционным моделям машинного обучения, матричным преобразованиям, вероятностным подходам и методам глубокого обучения; (iii) обсуждение графического представления как дискретных, так и динамических сетей; и (iv) рассмотрение преимуществ методов на основе графов для выявления реляционной структуры и сложных взаимодействий в данных динамических графов. В заключение определены потенциальные проблемы и перспективные направления исследований в области обнаружения аномалий в динамических сетях. Предлагаемый обзор DGAD призван стать ценным ресурсом для исследователей и практиков благодаря обобщению преимуществ и ограничений каждого подхода, освещению текущих тенденций исследований и выявлению нерешённых задач. Это может способствовать определению направлений дальнейших исследований и развитию методов обнаружения аномалий в динамических графах.
Key Findings
1
Подходы DGAD классифицируются на методы традиционного машинного обучения, матричных преобразований, вероятностные и глубокого обучения.
2
Графовые методы выделяются благодаря способности описывать реляционную структуру и сложные взаимодействия в данных динамических графов.
3
В обзоре сравниваются существующие исследования по обнаружению аномалий и рассматриваются представления дискретных и постоянно изменяющихся сетей.
4
Обзор выявляет преимущества, ограничения, открытые проблемы и будущие направления исследований по обнаружению аномалий в динамических сетях.
5
В обзоре представлена рамочная система DGAD для классификации существующих методов обнаружения аномалий в динамических графах.
Research Object
Динамические графы и сети
Research Subject
Методы обнаружения аномалий, их применения, преимущества, ограничения и нерешённые задачи при выявлении аномалий в реляционных структурах и сложных взаимодействиях во времени
Publication Details
Publication Date
2024-05-29
Journal
Publisher
ISSN
Cited by
101
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai17
Использование генеративного искусственного интеллекта для масштабирования интеллектуальных обучающих систем2023
Полуобучаемая классификация с использованием графовых сверточных сетей2016
Генеративно-состязательные сети2020
Обнаружение аномалий2009
Модель графовой нейронной сети2008
Эффективные подходы к нейронному машинному переводу на основе механизма внимания2015
Графовые нейронные сети: обзор методов и приложений2020
Глубокое обучение для обнаружения аномалий2021
Графовая нейронная сеть с механизмом внимания для неоднородных графов2019
Механизм самовнимания с представлениями относительных позиций2018
Надёжное обнаружение аномалий в многомерных временных рядах с использованием стохастической рекуррентной нейронной сети2019
Графовые нейронные сети: обзор методов и приложений2018
Обучение структур графов с помощью Transformer для обнаружения аномалий в многомерных временных рядах в Интернете вещей2021
Комплексный обзор методов обнаружения аномалий для больших данных высокой размерности2020
Основы и моделирование динамических сетей с использованием динамических графовых нейронных сетей: обзор2021
Обнаружение аномалий в графах с помощью графовых нейронных сетей: современное состояние и проблемы2022
Целевой выбор ветвления для задачи максимального независимого множества с использованием графовых нейронных сетей2024