一种无监督的选择性信息过滤异常检测方法及系统技术方案

本发明专利技术属于数据处理技术领域，公开了一种无监督的选择性信息过滤异常检测方法及系统，首先构建图数据的初始节点嵌入表示，然后依据初始节点嵌入表示，进行若干层选择性信息传递；对于每一层选择性信息传递过程，首先对节点的异常性进行预评估，并依据预评估结果进行动作决策，再依据动作决策进行选择性信息聚合；依据信息聚合后的节点，对节点特征、节点度数和邻域分布分别进行重建，并计算每个节点的重建误差；依据每个节点的重建误差，计算每个节点的异常分数，依据异常分数对节点的异常性进行评估。本发明专利技术能够在复杂图数据中有效区分正常节点和异常节点，提升图异常检测的精度和鲁棒性，广泛应用于社交网络分析、网络安全和欺诈检测等领域。

【技术实现步骤摘要】

本专利技术属于数据处理，涉及图像异常检测，主要是基于深度学习（deepleaning）的图结构数据分析和图神经网络（graph neural networks, gnns）的异常检测技术，尤其涉及一种无监督的选择性信息过滤异常检测方法及系统。

技术介绍

1、图异常检测（graph anomaly detection）是近年来随着图结构数据的广泛应用而日益重要的研究领域。图数据广泛存在于社交网络、金融网络、通信网络、推荐系统等多种实际应用中，其中节点和边的关系构成了数据的核心结构。随着图数据规模的不断扩大和结构复杂性的增加，如何有效识别图中与正常行为显著不同的异常模式，成为了图分析中的一项关键任务。图异常检测能够帮助识别潜在的威胁或异常行为，具有重要的实际意义。例如，在社交网络分析中，异常节点可能代表虚假账户或恶意行为；在网络安全中，异常节点或边可能指示网络攻击或入侵的迹象；在金融领域，图异常检测可用于识别欺诈交易或异常资金流动。随着大数据和复杂网络的发展，传统的异常检测方法已难以应对大规模、复杂结构的图数据。因此，基于gnns的方法，尤其是无监督图异常检测本文档来自技高网...

【技术保护点】

1.一种无监督的选择性信息过滤异常检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的无监督的选择性信息过滤异常检测方法，其特征在于，步骤S1中，使用随机线性投影将原始输入节点特征编码为低维表示，即初始节点嵌入表示，过程通过以下公式来表示：

3.根据权利要求1所述的无监督的选择性信息过滤异常检测方法，其特征在于，步骤S2中，对于第层选择性信息传递过程，包括以下分步骤：

4.根据权利要求3所述的无监督的选择性信息过滤异常检测方法，其特征在于，动作概率分布计算公式如下：

5.根据权利要求4所述的无监督的选择性信息过滤异常检测方法，其特...

【技术特征摘要】

1.一种无监督的选择性信息过滤异常检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的无监督的选择性信息过滤异常检测方法，其特征在于，步骤s1中，使用随机线性投影将原始输入节点特征编码为低维表示，即初始节点嵌入表示，过程通过以下公式来表示：

3.根据权利要求1所述的无监督的选择性信息过滤异常检测方法，其特征在于，步骤s2中，对于第层选择性信息传递过程，包括以下分步骤：

4.根据权利要求3所述的无监督的选择性信息过滤异常检测方法，其特征在于，动作概率分布计算公式如下：

5.根据权利要求4所述的无监督的选择性信息过滤异常检测方法，其特征在于，节点特征信息聚合计算过程如下：

6.根据权利要求1至5任一...

【专利技术属性】
技术研发人员：周帆，刘燕，陈格格，台文鑫，钟婷，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：