南洋理工大学发布的通用动态图形异常识别技术 —— GeneralDyG

GeneralDyG代表的是什么？

由南洋理工大学的研究团队开发的 GeneralDyG 是一种面向社交网络、电子商务及网络安全等领域中动态图数据异常识别问题的通用型解决方案。该技术采用时间 ego-graph 抽样机制、图形神经网络特征提取单元以及具备时间感知功能的 Transformer 单元，有效克服了处理多样化的数据分布、捕捉瞬息万变的数据特性以及高昂计算成本等难题。在各类实际应用的数据集测试中，GeneralDyG 展现出了超越现有主流技术的表现，证明了其广泛的适用性和强大的异常检测能力。

GeneralDyG的核心作用

• 应对多样化的数据分布特性借助抽取节点、连接线以及它们之间拓扑关系的核心细节，GeneralDyG 可以应对各种数据集中复杂的特性分布。
• 捕捉动态特性此方法融合了整体的时间演变与局部的结构变动，对动态图形中的多种规模的变迁趋势进行了详尽的建模。
• 高性能计算平台开发了一个精简的架构，能有效识别核心动态元素，并大幅提高运算速度。
• 时段 自我图谱 抽取：利用紧凑子图结构的建立，有效地缓解了处理大规模动态图形数据时所面临的计算负担。
• 结合结构和时间属性通过运用时间感知Transformer模块结合时间序列与结构特性，以保证在异常检测中的精确度。

GeneralDyG的核心技术机制

• 时段 自我图谱 抽样组件此组件利用构建精简子图的方法有效缓解了处理大规模变动图形数据时的计算负担。它围绕核心事件运用 k-hop 算法捕获其邻近互动历史记录，形成时间 ego-graph。k-hop 方法在考虑事件相互连接的时间序列和结构布局的同时，保证采样既反映时间演变也体现拓扑属性。为了使 Transformer 组件能够更精确地解析并掌握时间序列中的层次变化，该组件还采用了特定的标签来区分各层级互动信息。
• 图形神经网络特征抽取组件以时间 ego 图为基础，提出了一种新型图神经网络（TensGNN），旨在提取复杂的结构信息。通过交替使用节点处理层与边缘处理层，TensGNN 实现了特征的有效传播及迭代升级，并在节点特性和边特性间建立了紧密联系。其中，节点层通过对邻接矩阵和定制拉普拉斯矩阵执行卷积操作，并融合边的属性来更新节点表达；而边缘层则依据相邻关系与节点状态调整自身的表示形式。
• 时间认知Transformer组件该集成模块结合了时间序列与结构属性，在自注意力机制下，利用 Query 和 Key 对图形的拓扑信息进行编码处理，并将 Value 作为原始事件特征保留下来，以保障异常检测的结果精准性。此设计使得模型能够高效地识别动态图中的全局时间相关性和局部变化模式，从而精确捕捉复杂的异常行为。

GeneralDyG的仓库位置

• GitHub代码库：访问此链接以查看项目 – https://github.com/YXNTU/GeneralDyG
• 关于arXiv上的科技学术文章访问该论文的PDF版本，请点击这里：https://arxiv.org/pdf/2412.16447

GeneralDyG的使用情境

• 社交媒体平台于社交平台内，GeneralDyG 能够执行诸如侦测垃圾消息扩散和辨识假账号等功能。借助对用户间交流动态及这些动态演变过程的研究分析，它能够精准地捕捉到那些不符合常规社交形态的行为偏差。
• 电子商贸在电子商务行业中，GeneralDyG 能够用来识别虚假交易活动。通过对用户购物行为及产品间联系进行解析，该系统能够辨别不正常的交易特征，从而助力电商企业增强其交易平台的安全性与信赖度。
• 网络安全性于网络安全领域内，GeneralDyG 能够识别并监控网络入侵及不寻常的数据流。该系统借助对数据包交换模式与各节点互联状态的深入剖析，能够迅速捕捉到可能存在的安全风险点，从而增强整个网络架构的安全防护能力。
• 金融机构体系于金融服务行业之中，GeneralDyG 能够应用于甄别财务诈骗及非正常交易模式。它通过对货币流转路径以及银行账号间互动情形的数据解析，能够发现偏离常规的经济行为迹象，从而辅助金融企业增强其风险管理能力。