一、 Address
来自于IJCAI-19， 北大和阿里的paper
AddGraph: Anomaly Detection in Dynamic Graph Using Attention-based Temporal GCN
地址：https://www.ijcai.org/Proceedings/2019/0614.pdf
二、Introduction
2.1 动态图异常
举了个Recommendation上的例子，还是很通俗易懂的。
以我的理解大白话就是有的人(异常的人)想卖自己的东西，疯狂想被推荐，那怎么办，那就找几个人疯狂点自己的东西的同时点那些本身就已经是popular的item，这样就会让自己的东西和popular的有相似的特征等等，就会增加这些物品的被推荐的rank. 这同时会产生很多新的edge，这些都是异常的edge.
2.2 存在的一些Challenges
2.2.1
异常主要存在于短时间内，大多数时间都是normal的情况，并且比较flexible and dynamic，dynamic也是本文章主要要解决的问题。
2.2.2
这个问题很多anomaly detection的问题都存在，比较常见的一个问题，有的甚至没有label，需要自己去找case，去定义的。
2.3 related works
三、Method
3.1 问题定义
目的是为了检测出异常的edge， 其他的描述都是graph的常规操作，自行阅读。
简单来说就是有一个node的集合，有一个edge的集合，edge上表示的就是nodei和nodej之间有一个edge的weights为w，计算过程中还有个不可缺少的邻接矩阵A
3.2 AddGraph Framework
3.1 框架图
文中所说主要的特征为
3.2 GCN
GCN来预测content和structural特征
得到current当前的一些信息
主要的计算公式如下
3.3 GRU
GRU+attention主要是提取short term和long term的状态信息
3.4 判断anomaly的edge
这里判断的依据是通过一个score func计算得到一个值，通过这个值来确实可能是anomaly的概率
公式如下
3.5 训练过程的sampling技巧和loss func
为了去解决anomaly data不足的情况，我们建立一个模型去描述normal的分布情况
我们假设训练样本中全部的edge都是normal的，对应每个normal的edge我们产生一个负样本当作anomaly的edge
这里用一个伯努利分布，重新计算了normal边对应两边node的degree，如果这个degree越大则表示越可能是异常的，越小则是正常的
这个loss表示了，产生的负样本也有可能是normal的，为了对应这种情况，以上这个loss，可以让原本样本的score degree更小，而产生的负样本的score degree更大，则原始样本更往定义的normal靠拢，而产生的负样本最大限度的为异常样本。
最后的样本还添加了L2范数来防止overfitting
四、Experiments
4.1 数据集
UCI Message 在线社交的网络，node为一个user，edge为两个用户之间的信息传递
Digg 社交新闻网站，node和edge与上面类似
4.2 baseline
4.3 Results on Graphs without Timestamps
没有windows的信息，即没有attention，直接用过去一个。
数据前50作为train，后50当作test
并且数据集中的anomaly的百分比不同，依次增多
4.4 最终的AddGraph结果
并对两个系数一个GCN层数以及hidden state的大小做敏感性分析
更多精彩内容（请点击图片进行阅读）
公众号：AI蜗牛车
保持谦逊、保持自律、保持进步
个人微信
备注：昵称+学校/公司+方向
如果没有备注不拉群！
拉你进AI蜗牛车交流群