[论文解读] Anomalous Edge Detection in Edge Exchangeable Social Network Models

Rui Luo, Buddhika Nettasinghe+1 more|arXiv (Cornell University)|Sep 27, 2021

Complex Network Analysis Techniques参考文献 55被引用 4

一句话总结

本文提出了一种基于合谋预测的异常边检测方法，用于在有向社交网络中识别异常边，以边交换性作为统计标准。通过使用边交换随机图模型对边似然性进行建模，并应用合谋预测，该方法可保证用户指定的假阳性率上限，在以太坊区块链交易数据上的实验中优于基线方法。

ABSTRACT

This paper studies detecting anomalous edges in directed graphs that model social networks. We exploit edge exchangeability as a criterion for distinguishing anomalous edges from normal edges. Then we present an anomaly detector based on conformal prediction theory; this detector has a guaranteed upper bound for false positive rate. In numerical experiments, we show that the proposed algorithm achieves superior performance to baseline methods.

研究动机与目标

• 解决在具有可证明统计保证的动态有向社交网络中检测异常边的挑战。
• 利用边交换性作为原则性标准，识别偏离正常网络模式的边。
• 开发一种异常检测算法，可保证假阳性率的上界，克服现有方法在非独立同分布图数据中的局限性。
• 在保持统计严谨性的同时，相比基于快照或压缩的方法，提升内存和时间效率。

提出的方法

• 基于非对称狄利克雷网络分布（ADND）的边交换随机图模型对网络进行建模。
• 通过给定其余网络结构下每条边的负对数似然定义边的非符合性，确保保持交换性。
• 应用合谋预测计算边非符合性的p值，其中在交换性下p值的均匀性可确保有效的假阳性控制。
• 利用候选边的非符合性得分在所有边中的排名计算p值，该p值用于决定异常分类。
• 对p值设置阈值ε以将边分类为异常，且在交换性下可保证P(Anom_{N+1}^ε = 1) ≤ ε。
• 在真实以太坊区块链交易数据上验证该方法，证明其鲁棒性与高效性。

实验结果

研究问题

• RQ1 边交换性能否作为有向社交网络中检测异常边的可靠统计标准？
• RQ2 合谋预测能否有效适配边交换模型，以在异常检测中提供可证明的假阳性率控制？
• RQ3 所提出的合谋检测器在性能和效率方面与现有边异常检测基线相比如何？
• RQ4 该方法在真实网络数据的非独立同分布结构下是否仍保持统计有效性？

主要发现

• 所提出的合谋检测器可保证假阳性率的上界为ε，确保正常边被错误标记为异常的概率至多为ε。
• 在以太坊区块链交易数据上，所提方法在检测准确率和F1分数等指标上均优于基线方法，表现出更优的性能。
• 利用边交换性和合谋预测，实现了高效、低内存和时间开销的实时异常检测。
• 理论分析证实，在交换性下通过非符合性得分排名计算的p值服从均匀分布，验证了该方法的统计可靠性。
• 实证结果表明，该算法能有效识别出突发性或低概率边，这些边偏离了典型网络行为。