基于网络嵌入的图异常检测模型研究

Graph anomaly detection aims to find out the rare and distinct objects which are obviously different from most of the reference objects in a given graph database. In recent years, graph anomaly detection technology has attracted wide attention from academia and industry because of its strong modeling ability, large-scale anomaly search ability and robustness. The graph anomaly detection is facing multiple challenges, including dynamic evolution, anomaly annotation, group anomaly and anomaly interpretability. To address these issues, this project starts from the network embedding and carry out the following researches: 1) dynamic graph embedding based dynamic network anomaly detection method, 2) active network embedding based anomaly detection method, 3) deep structure embedding based group anomaly detection method, and 4) network embedding based interpretability for graph anomaly detection. This project aims to establish a complete theoretical and methodological framework for the network embedding based graph anomaly detection. The research results of this project have important theoretical value and application prospect for network security, financial supervision, opinion fraud, public opinion monitoring, and criminal investigation.

图异常检测是指从给定的图数据库中找出那些罕见的、明显不同于图中大多数参照物的图对象。由于具有较强的复杂关系建模能力、大范围异常模式搜索能力和对抗稳健性，近年来图异常检测技术开始得到学术界和业界的广泛关注。面对图异常检测所面临的关系网络动态演化、难以大范围标注、群组异常、异常可解释性等挑战，本项目以网络嵌入为切入点，分别开展：1）基于动态网络嵌入的动态图异常检测方法、2）基于网络嵌入主动学习的图异常检测方法、3）基于深度结构嵌入的群组异常检测方法、4）基于网络嵌入的图异常检测可解释性方法等四个方面的研究内容，建立一套完整的基于网络嵌入的图异常检测模型理论与方法体系。本项目的研究成果对网络安全、金融监管、观点欺诈、舆情监控以及刑侦执法等领域具有重要的理论价值和应用前景。

项目组针对图异常检测问题，以网络嵌入作为切入点，从图异常检测所面临的动态建模、标签主动学习、群组异常、异常可解释性等困难挑战出发，按照项目计划书中既定的研究任务开展了一系列的研究工作，不仅完成了既定的研究目标，还在实际工作中对原计划的研究内容进行了更深层次的拓展。主要进展包括：1）提出了面向非平衡图级别异常检测的双判别图神经网络模型，通过引入深度随机游走核（deepRWK），以实现对异常属性和子结构的双重识别能力；2）提出了基于对比学习的图级别异常检测方法，通过带有扰动图编码器的图卷积自动编码器从节点和图级别来增强正常图的不同级别表示；3）提出了面向图异常检测的数据增广方法，设计了一种用于属性图的基于数据增强的图异常检测（DAGAD）框架；4）提出了面向少样本图分类的结构感知原型神经过程模型，解决了在只有少量标记图的情况下建立有效图神经网络的问题；5）提出了深度多元霍克斯过程的解耦方法，为时序点过程异常检测赋予了可解释性；6）提出了图随机神经网络模型和图几何交互神经网络模型，为图数据的特征表示学习提供了有效且鲁棒的解决方案。. 在基金支持下，项目组过去四年中，发表论文38篇，其中SCI期刊10篇，CCF-A类论文16篇，CCF-B类论文15篇，有2篇论文被列为Most Influential IJCAI Paper, 项目负责人周川获得第21届数据挖掘国际会议ICDM-21最佳学生论文奖（Best Student Paper Award）、中国科学院数学与系统科学研究院第12届陈景润未来之星荣誉称号，授权专利5项。