主题: Laplacian Change Point Detection for Dynamic Graphs

摘要: 动态图和时间图是丰富的数据结构,用于对实体之间的复杂关系进行建模,尤其是时间图的异常检测是现实世界中至关重要的应用,例如网络系统中的入侵识别,生态系统扰动的检测和流行病的检测。在本文中,我们专注于动态图的变化点检测,并解决与该问题相关的两个主要挑战:I)如何跨时间比较图快照,II)如何捕获时间依存关系。为了解决上述挑战,我们提出了拉普拉斯异常检测(LAD),它使用每个快照上图结构的拉普拉斯矩阵的频谱来获得低维嵌入。 LAD通过应用两个滑动窗口显式地对短期和长期依赖性进行建模。在合成实验中,LAD的性能优于最新方法。我们还将在三个真实的动态网络上评估我们的方法:UCI消息网络,美国参议院共同赞助网络和加拿大法案投票网络。在所有三个数据集中,我们证明了我们的方法可以根据重大的现实事件更有效地识别异常时间点。

成为VIP会员查看完整内容
29

相关内容

【KDD2020】动态知识图谱的多事件预测
专知会员服务
106+阅读 · 2020年8月30日
【ICLR-2020】网络反卷积,NETWORK DECONVOLUTION
专知会员服务
37+阅读 · 2020年2月21日
【泡泡图灵智库】Detect-SLAM:目标检测和SLAM相互收益
泡泡机器人SLAM
11+阅读 · 2019年6月28日
【泡泡点云时空】PointPillars:点云物体检测的快速编码器
图嵌入(Graph embedding)综述
人工智能前沿讲习班
438+阅读 · 2019年4月30日
【泡泡图灵智库】GCNv2:高效关联预测实时SLAM(arXiv)
泡泡机器人SLAM
43+阅读 · 2019年4月15日
Relation Networks for Object Detection 论文笔记
统计学习与视觉计算组
16+阅读 · 2018年4月18日
论文浅尝 | Improved Neural Relation Detection for KBQA
开放知识图谱
11+阅读 · 2018年1月21日
EfficientDet: Scalable and Efficient Object Detection
Arxiv
5+阅读 · 2019年11月20日
Arxiv
8+阅读 · 2019年1月24日
Arxiv
5+阅读 · 2018年5月16日
Arxiv
6+阅读 · 2018年4月12日
Arxiv
6+阅读 · 2018年2月24日
Arxiv
7+阅读 · 2014年6月27日
VIP会员
相关VIP内容
【KDD2020】动态知识图谱的多事件预测
专知会员服务
106+阅读 · 2020年8月30日
【ICLR-2020】网络反卷积,NETWORK DECONVOLUTION
专知会员服务
37+阅读 · 2020年2月21日
相关资讯
【泡泡图灵智库】Detect-SLAM:目标检测和SLAM相互收益
泡泡机器人SLAM
11+阅读 · 2019年6月28日
【泡泡点云时空】PointPillars:点云物体检测的快速编码器
图嵌入(Graph embedding)综述
人工智能前沿讲习班
438+阅读 · 2019年4月30日
【泡泡图灵智库】GCNv2:高效关联预测实时SLAM(arXiv)
泡泡机器人SLAM
43+阅读 · 2019年4月15日
Relation Networks for Object Detection 论文笔记
统计学习与视觉计算组
16+阅读 · 2018年4月18日
论文浅尝 | Improved Neural Relation Detection for KBQA
开放知识图谱
11+阅读 · 2018年1月21日
相关论文
EfficientDet: Scalable and Efficient Object Detection
Arxiv
5+阅读 · 2019年11月20日
Arxiv
8+阅读 · 2019年1月24日
Arxiv
5+阅读 · 2018年5月16日
Arxiv
6+阅读 · 2018年4月12日
Arxiv
6+阅读 · 2018年2月24日
Arxiv
7+阅读 · 2014年6月27日
微信扫码咨询专知VIP会员