[论文解读] Multiple Network Embedding for Anomaly Detection in Time Series of Graphs

Guodong Chen, Jesús Arroyo+8 more|arXiv (Cornell University)|Aug 23, 2020

Complex Network Analysis Techniques参考文献 47被引用 4

一句话总结

本文提出了一种基于多重邻接谱嵌入（MASE）的方法，用于检测图的时间序列中的异常，通过联合图嵌入提升对异常图和时间上异常的顶点的检测能力。该方法实现了统计上合理的假阳性率控制，并能检测出超出简单度数变化的异常，已在Enron和搜索引擎数据上得到验证，在模拟和实际应用中表现优异。

ABSTRACT

This paper considers the graph signal processing problem of anomaly detection in time series of graphs. We examine two related, complementary inference tasks: the detection of anomalous graphs within a time series, and the detection of temporally anomalous vertices. We approach these tasks via the adaptation of statistically principled methods for joint graph inference, specifically \emph{multiple adjacency spectral embedding} (MASE). We demonstrate that our method is effective for our inference tasks. Moreover, we assess the performance of our method in terms of the underlying nature of detectable anomalies. We further provide the theoretical justification for our method and insight into its use. Applied to the Enron communication graph, a large-scale commercial search engine time series of graphs, and a larval Drosophila connectome data, our approaches demonstrate their applicability and identify the anomalous vertices beyond just large degree change.

研究动机与目标

• 解决在动态网络时间序列中检测异常图和异常顶点的挑战。
• 通过联合使用MASE对多个图进行嵌入，利用共享的潜在结构来提升检测能力。
• 提供一种具有明确错误发现率（FDR）控制的统计上合理的异常检测方法。
• 评估该方法在不同类型异常（包括仅靠度数变化无法检测的异常）下的性能。
• 在真实世界数据集（如Enron通信图和大规模搜索引擎查询图）上展示其适用性。

提出的方法

• 该方法采用多重邻接谱嵌入（MASE）将时间序列中的多个图联合嵌入到一个共享的低维潜在空间中。
• 图级异常检测使用控制图或基于MASE嵌入导出的检验统计量的校正p值，检测与基线行为的偏离。
• 顶点级异常检测对单个顶点的潜在位置应用类似的检验统计量，识别时间上异常的节点。
• 通过Benjamini-Hochberg程序对基于MASE检验统计量导出的p值进行处理，实现错误发现率（FDR）控制。
• 该方法使用滑动窗口处理控制图，并通过潜在过程建模来考虑时间依赖性。
• 在合成实验中通过植入团（planted clique）方法注入人工异常，以评估方法的鲁棒性和检测灵敏度。

实验结果

研究问题

• RQ1 与单图方法相比，基于MASE的联合嵌入是否能提升时间序列网络中异常图的检测能力？
• RQ2 该方法在检测不表现为极端度数变化的顶点级异常方面，其检测能力有多强？
• RQ3 在不同类型的注入异常（包括具有细微结构变化的异常）下，该方法表现如何？
• RQ4 控制图方法是否隐式控制了错误发现率？与p值校正方法相比表现如何？
• RQ5 该方法在潜在空间模型下检测异常的有效性在理论上有什么依据？

主要发现

• 基于MASE的方法在MSB时间序列中成功检测到10月人工植入的大小为493的团异常，除SCAN外所有方法均识别出该异常。
• 除人工异常外，该方法在MSB数据集中2019年4月检测到一个显著异常，多个方法也同时标记该异常，表明其可能为真实异常，尽管缺乏真实标签。
• 该方法检测到10月所有473个人工异常顶点，表明在顶点级异常检测中具有高敏感性。
• 潜在位置分析显示，2019年3月和4月某些顶点（如顶点v₁₀₀₂）的位置发生显著移动，表明存在度数指标未捕捉到的结构变化。
• 控制图检测到的图异常数量少于校正p值方法，提示控制图方法可能存在隐式的FDR控制。
• 为图级异常检测在潜在过程模型下的有效性提供了理论依据，但顶点级检测目前仍以实证支持为主，尚未有完整的理论刻画。