Détection de communautés et prédiction d'anomalies dans des réseaux dynamiques

La détection d'anomalies est une tâche essentielle dans l'analyse des réseaux dynamiques, car elle peut fournir un avertissement précoce des menaces potentielles ou d'un comportement anormal. Nous présentons une approche fondée pour détecter des anomalies dans des réseaux dynamiques qui intègre la structure communautaire comme modèle fondamental pour le comportement régulier. Notre modèle identifie les anomalies comme des arêtes irrégulières tout en capturant les changements structurels. Tirant parti d'une approche markovienne pour les transitions temporelles et intégrant des informations structurelles via des variables latentes pour les communautés et la détection d'anomalies, notre modèle infère ces paramètres cachés pour identifier les interactions anormales au sein du réseau. Notre approche est évaluée sur des ensembles de données synthétiques et réelles. L'analyse de réseaux réels montre une forte détection d'anomalies à travers divers scénarios. Dans une étude plus spécifique des transferts de joueurs de football professionnels masculins, nous observons divers types de schémas inattendus et examinons comment le pays et la richesse des clubs influencent les interactions. De plus, nous identifions des anomalies entre des clubs avec des adhésions communautaires incompatibles, mais aussi des cas de transactions anormales entre des clubs avec des adhésions similaires. Ce dernier point est particulièrement dû à la nature dynamique des transactions, car nous trouvons que la fréquence des transferts entraîne des comportements anormaux qui, autrement, devraient interagir car ils appartiennent à des communautés similaires.