Spatial-temporal Memories Enhanced Graph Autoencoder for Anomaly Detection in Dynamic Graphs

动态图中的异常检测由于图结构和属性的时间演变而面临着重大挑战。传统的解决方法通常采用无监督学习框架，在训练期间使用独占的正常数据捕捉正常模式，并在测试期间将偏差识别为异常。然而，这些方法存在重大缺陷：它们要么仅依赖于代理任务进行一般表示，而不直接指出正常模式，要么忽略空间和时间正常模式之间的区别，导致异常检测的有效性降低。为了解决这些挑战，我们引入了一种新颖的空间-时间记忆增强图自编码器（STRIPE）。首先，STRIPE采用图神经网络（GNN）和门控时间卷积层分别提取空间特征和时间特征。然后，STRIPE结合了单独的空间和时间记忆网络，这些网络捕捉和存储正常模式的原型，从而保留了空间和时间正常性的独特性。之后，通过互相关注机制，这些存储的模式被检索并与编码的图嵌入集成。最后，将集成特征馈入解码器以重构图流，这作为异常检测的代理任务。这种综合方法不仅最小化重构误差，而且通过强调与最近的记忆原型相关的嵌入的紧凑性和独特性来改进模型。通过广泛的测试，STRIPE已经展示了利用动态图的独特空间和时间动态性有效地区分异常的能力，明显优于现有的方法，AUC值平均提高了15.39％。

本文旨在解决动态图中的异常检测问题，该问题由于图结构和属性的时间演变而具有挑战性。传统方法采用无监督学习框架，在训练期间捕获独占性正常数据的正常模式，并在测试期间将偏差识别为异常，但这些方法面临重大缺陷。

本文提出了一种新颖的空间-时间记忆增强图自编码器（STRIPE）来解决这些挑战。STRIPE首先使用图神经网络（GNN）和门控时间卷积层分别提取空间特征和时间特征。然后，STRIPE结合了单独的空间和时间记忆网络，这些网络捕获和存储正常模式的原型，从而保留了空间和时间正常性的独特性。接下来，通过相互关注机制，这些存储的模式被检索并与编码的图嵌入集成。最后，将集成特征馈入解码器以重构图流，作为异常检测的代理任务。

本文的亮点包括：通过引入空间和时间记忆网络，STRIPE能够更好地区分动态图的空间和时间正常性模式；STRIPE通过相互关注机制，将存储的模式与编码的图嵌入集成，从而改善了模型的压缩性和独特性；在广泛测试中，STRIPE表现出优异的能力，有效利用动态图的独特空间和时间动态性，AUC值平均提高了15.39％。

在这个领域的最新相关研究包括：《Dynamic Graph Convolutional Networks》、《Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting》、《Variational Graph Auto-Encoders》等。