Autoencodeur graphique amélioré par des mémoires spatio-temporelles pour la détection d'anomalies dans des graphes dynamiques

La détection d'anomalies dans des graphes dynamiques pose un défi significatif en raison de l'évolution temporelle des structures et des attributs des graphes. Les approches conventionnelles qui s'attaquent à ce problème utilisent généralement un cadre d'apprentissage non supervisé, capturant les motifs de normalité avec des données normales exclusives pendant l'entraînement et identifiant les écarts comme des anomalies pendant le test. Cependant, ces méthodes présentent des inconvénients critiques : elles dépendent soit uniquement de tâches proxy pour une représentation générale sans identifier directement les motifs normaux, soit elles négligent de différencier les motifs normaux spatiaux et temporels, ce qui réduit leur efficacité dans la détection d'anomalies. Pour relever ces défis, nous introduisons un nouvel autoencodeur graphique amélioré par des mémoires spatio-temporelles (STRIPE). Initialement, STRIPE emploie des réseaux de neurones graphiques (GNN) et des couches de convolution temporelle à portes pour extraire respectivement les caractéristiques spatiales et temporelles. Ensuite, STRIPE intègre des réseaux de mémoire spatiale et temporelle séparés, qui capturent et stockent des prototypes de motifs normaux, préservant ainsi l'unicité de la normalité spatiale et temporelle. Par la suite, grâce à un mécanisme d'attention mutuelle, ces motifs stockés sont récupérés et intégrés avec les emplacements encodés du graphe. Enfin, les caractéristiques intégrées sont alimentées dans le décodeur pour reconstruire les flux de graphes qui servent de tâche proxy pour la détection d'anomalies. Cette approche complète non seulement minimise les erreurs de reconstruction, mais affine également le modèle en mettant l'accent sur la compacité et la distinctivité des embeddings par rapport aux prototypes de mémoire les plus proches. À travers des tests extensifs, STRIPE a démontré une capacité supérieure à discerner les anomalies en exploitant efficacement les dynamiques spatiales et temporelles distinctes des graphes dynamiques, surpassant de manière significative les méthodologies existantes, avec une amélioration moyenne de 15,39 % des valeurs AUC.