[WSDM2021]用于边缘流异常检测的频率因子分解

2020 年 11 月 24 日 专知



边缘流通常用于捕获动态网络中的交互,如电子邮件、社交或计算机网络。边缘流异常或罕见事件的检测问题有着广泛的应用。然而,由于缺乏标签,交互的高度动态特性,以及网络中时间和结构变化的纠缠,它提出了许多挑战。目前的方法在解决上述挑战和有效处理大量交互方面能力有限。在此,我们提出了一种检测边缘流异常的新方法- F-FADE,它使用一种新的频率因子分解技术来有效地模拟节点对间相互作用频率的时间演化分布。然后,根据观测到的每一次相互作用频率的可能性来确定异常。F-FADE能够在在线流媒体设置中处理时间和结构变化的各种异常,而只需要恒定的内存。我们在一个合成和六个真实世界动态网络上的实验表明,F-FADE达到了最先进的性能,可以检测出以前的方法无法发现的异常。


https://arxiv.org/abs/2011.04723



专知便捷查看

便捷下载,请关注专知公众号(点击上方蓝色专知关注)

  • 后台回复“DGM” 就可以获取[WSDM2021]用于边缘流异常检测的频率因子分解》专知下载链接

专知,专业可信的人工智能知识分发,让认知协作更快更好!欢迎注册登录专知www.zhuanzhi.ai,获取5000+AI主题干货知识资料!
欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程资料和与专家交流咨询
点击“ 阅读原文 ”,了解使用 专知 ,查看获取5000+AI主题知识资源
登录查看更多
0

相关内容

【WSDM2021】多交互注意力网络细粒度特征学习的CTR预测
专知会员服务
24+阅读 · 2020年12月27日
专知会员服务
25+阅读 · 2020年12月17日
【WSDM2021】保存节点相似性的图卷积网络
专知会员服务
40+阅读 · 2020年11月22日
【WSDM2021】拓扑去噪的鲁棒图神经网络
专知会员服务
26+阅读 · 2020年11月14日
KDD2020 | 真实世界超图的结构模式和生成模型
专知会员服务
28+阅读 · 2020年8月18日
近期必读的五篇KDD 2020【图神经网络 (GNN) 】相关论文_Part2
专知会员服务
159+阅读 · 2020年6月30日
近期必读的5篇 WSDM 2020【图神经网络(GNN)】相关论文
专知会员服务
56+阅读 · 2020年1月10日
【KDD2020】动态知识图谱的多事件预测
专知
88+阅读 · 2020年8月31日
【KDD2020-阿里】可调控的多兴趣推荐框架
专知
9+阅读 · 2020年8月11日
【KDD2020】图神经网络生成式预训练
专知
22+阅读 · 2020年7月3日
【资源】图深度学习文献列表
专知
42+阅读 · 2019年11月6日
Arxiv
0+阅读 · 2021年1月24日
Arxiv
101+阅读 · 2020年3月4日
Arxiv
3+阅读 · 2018年2月7日
VIP会员
Top
微信扫码咨询专知VIP会员