Anomaly Detection in Dynamic Graphs: A Comprehensive Survey

这篇综述论文提供了动态图形异常检测的全面概念性概述。我们关注现有的基于图形的异常检测技术及其在动态网络中的应用。本文的贡献包括：i）对现有异常检测综述的比较研究；ii）基于动态图形的异常检测（DGAD）综述框架，其中根据传统机器学习模型、矩阵变换、概率方法和深度学习方法将动态图中的异常检测方法进行分组；iii）讨论离散和动态网络的图形表示；iv）讨论基于图形的技术在捕捉动态图数据中的关系结构和复杂交互方面的优势。最后，本文确定了在动态网络中检测异常的潜在挑战和未来方向。这种DGAD综述方法旨在通过总结每种方法的优点和局限性、突出当前研究趋势并确定开放挑战，为研究人员和实践者提供有价值的资源。通过这样做，它可以指导未来的研究工作并促进动态图形中异常检测的进步。关键词：图形、异常检测、动态网络、图神经网络（GNN）、节点异常、图形挖掘。

本文旨在综述动态图中异常检测的现有技术和应用，探讨图形表示离散和动态网络的方法，以及图形技术在捕捉动态图数据中的关系结构和复杂交互方面的优势。同时，指出了动态网络异常检测的潜在挑战和未来方向。

本文提出了基于动态图的异常检测（DGAD）综述框架，将检测动态图中异常的方法分为传统机器学习模型、矩阵变换、概率方法和深度学习方法四类，对每种方法的优缺点进行了比较分析。

本文总结了每种方法的优缺点，指出了当前研究的趋势和未来挑战，为研究人员和实践者提供了有价值的资源。实验使用了多个数据集，并提供了开源代码。值得进一步研究的工作包括如何处理大规模的动态图数据、如何提高检测效率和准确率、如何处理异常检测中的误报问题等。

近年来，动态图中的异常检测已经成为研究的热点。相关的研究包括：《A Survey on Anomaly Detection in Dynamic Graphs》、《Anomaly Detection in Dynamic Networks: A Survey》、《Graph Anomaly Detection Using Deep Autoencoder》等。