Modeling Spectral Energy Shifts in Spatio-Temporal Graph Anomaly Detection
Di cosa parla
Molti metodi per trovare nodi anomali nelle reti si basano su una misura chiamata “energia spettrale”, che indica come variano o si diffondono i segnali lungo le connessioni del grafo. Gli autori notano che questi metodi catturano bene anomalie che aumentano quella variazione, ma non quelle che la riducono — anomalie “camuffate” che sembrano normali. Propongono una descrizione a livello di singolo nodo compatibile con lo scambio locale di informazioni fra nodi e un sistema che modella questi spostamenti di energia sia su reti statiche sia su serie temporali, evitando moduli sequenziali specializzati; esperimenti su grandi dataset mostrano che l’approccio è efficace e scalabile.
Cosa permette di osservare
Permette di esplorare come riconoscere anomalie che si nascondono riducendo la loro variazione e quale modo di far circolare informazioni tra i nodi rende possibile individuarle anche quando i dati della rete cambiano nel tempo.
Dalla fonte
Graph anomaly detection methods aim to distinguish anomalous nodes. While prior methods characterize anomalies through increased variation in the spectral energy distributions, they overlook those that result in decreased variation, i.e., camouflaged anomalies that appear normal. We show that this type of anomaly persists across multiple datasets and remains undetectable by existing spectral approaches. To address this limitation, we propose a node-level spectral energy formulation that is fully compatible with message passing and enables the detection of camouflaged anomalies. Building on this formulation, we introduce an energy-aware graph learning framework that models spectral shifts through energy-driven message passing in both static and time-series graphs. Besides, our unified architecture extends to temporal settings without introducing specialized sequence modules, enabling eff…