AnomalyLLM: Few-shot Anomaly Edge Detection for Dynamic Graphs using Large Language Models

检测动态图中的异常边旨在识别明显偏离正常模式的边，可应用于各个领域，如网络安全、金融交易和AIOps。随着时间的推移，异常边的类型也在不断涌现，而每种类型的标记异常样本很少。当前的方法要么是设计用于检测随机插入的边，要么需要足够的标记数据进行模型训练，这损害了它们在实际应用中的适用性。在本文中，我们通过与大型语言模型（LLMs）中编码的丰富知识合作来研究这个问题，并提出了一种方法，即AnomalyLLM。为了使动态图与LLMs对齐，AnomalyLLM预训练了一个动态感知编码器来生成边的表示，并使用单词嵌入的原型来重新编程边。除了编码器之外，我们还设计了一个上下文学习框架，将少量标记样本的信息集成起来，实现少样本异常检测。在四个数据集上的实验表明，AnomalyLLM不仅可以显著提高少样本异常检测的性能，而且在没有更新模型参数的情况下，在新的异常情况下也可以取得优异的结果。

论文旨在解决动态图中异常边的检测问题，其中标记异常样本较少，且当前方法要么适用于检测随机插入的边，要么需要充足的标记数据进行模型训练，这对于实际应用有所不便。

论文提出了一种名为AnomalyLLM的方法，通过与大型语言模型（LLMs）中编码的丰富知识进行合作，旨在解决动态图中的异常边检测问题。AnomalyLLM预训练一个动态感知编码器来生成边的表示，并使用单词嵌入的原型重新编程边。同时，论文设计了一个上下文学习框架，将少量标记样本的信息集成起来，实现少样本异常检测。

AnomalyLLM不仅可以显著提高少样本异常检测的性能，而且在不更新模型参数的情况下，在新异常方面取得了优异的结果。实验表明，AnomalyLLM在四个数据集上的表现优于当前的方法。论文还提供了开源代码。

最近在这个领域中，还有一些相关的研究，如Graph Convolutional Networks for Anomaly Detection in Attributed Networks、Few-shot Anomaly Detection on Attributed Networks、Dynamic Graph Convolutional Networks等。