GeneralDyG

GeneralDyG是由南洋理工大学研究团队提出的一种通用动态图异常检测方法，旨在解决社交网络、电子商务和网络安全等场景下的动态图数据异常识别问题。该方法通过时间 ego-graph 采样模块、图神经网络提取模块以及时间感知 Transformer 模块的协同作用，有效应对数据分布复杂性、动态特征捕捉难度大及计算成本高等挑战。实验结果表明，GeneralDyG在多个真实数据集上表现优于现有主流方法，展现出良好的泛化能力和检测效果。

GeneralDyG的主要功能

• 适应数据分布多样性：通过提取节点、边及其拓扑结构的关键信息，能够适配不同数据集的复杂特征分布。
• 动态特征捕捉能力：结合全局时间动态与局部结构变化，深入建模动态图中的多尺度动态模式。
• 高效计算框架：构建轻量化结构，提升计算效率，有效处理大规模动态图数据。
• 时间 ego-graph 采样：通过构建紧凑子图结构，缓解大规模数据带来的计算压力。
• 结构与时间特征融合：利用时间感知 Transformer 模块整合时间序列与结构特征，提高异常检测准确性。

GeneralDyG的技术原理

• 时间 ego-graph 采样模块：基于中心事件，采用 k-hop 算法提取其周围交互历史，构建时间 ego-graph。该模块通过特殊标记分隔不同层次的交互信息，辅助 Transformer 更好地学习时间序列中的层级动态。
• 图神经网络提取模块：设计 TensGNN 模型，在时间 ego-graph 基础上进行节点和边特征的交替传播与更新，增强节点与边之间的关联性。
• 时间感知 Transformer 模块：通过自注意力机制整合时间序列和结构特征，分别基于 Query 和 Key 编码图的拓扑结构信息，保留 Value 为原始事件特征，确保检测准确性。

GeneralDyG的项目地址

• Github仓库：https://github.com/YXNTU/GeneralDyG
• arXiv技术论文：https://arxiv.org/pdf/2412.16447

GeneralDyG的应用场景

• 社交网络：可用于检测垃圾信息传播、虚假账户等异常行为，通过分析用户互动关系随时间的变化识别异常。
• 电子商务：用于识别欺诈交易，通过分析用户交易行为和商品关联关系提升平台安全性。
• 网络安全：可检测网络入侵和异常流量，通过分析数据包传输和节点连接关系提升系统安全性。
• 金融系统：用于识别金融欺诈和异常交易行为，帮助金融机构防范风险。