Detecção de Anomalias em Grafos Dinâmicos: Uma Revisão Abrangente

Este artigo de revisão apresenta uma visão abrangente e conceitual da detecção de anomalias utilizando grafos dinâmicos. Focamos nas técnicas de detecção de anomalias (AD) baseadas em grafos existentes e suas aplicações em redes dinâmicas. As contribuições deste artigo de revisão incluem: i) um estudo comparativo de revisões existentes sobre detecção de anomalias; ii) uma estrutura de revisão de Detecção de Anomalias Baseada em Grafos Dinâmicos (DGAD) na qual as abordagens para detectar anomalias em grafos dinâmicos são agrupadas com base em modelos de aprendizado de máquina tradicionais, transformações matriciais, abordagens probabilísticas e abordagens de aprendizado profundo; iii) uma discussão sobre a representação gráfica de redes discretas e dinâmicas; e iv) uma discussão sobre as vantagens das técnicas baseadas em grafos para capturar a estrutura relacional e as interações complexas nos dados de grafos dinâmicos. Finalmente, este trabalho identifica os potenciais desafios e direções futuras para a detecção de anomalias em redes dinâmicas. Esta abordagem de revisão DGAD visa fornecer um recurso valioso para pesquisadores e profissionais ao resumir os pontos fortes e limitações de cada abordagem, destacando as tendências atuais de pesquisa e identificando desafios em aberto. Ao fazer isso, pode guiar esforços de pesquisa futuros e promover avanços na detecção de anomalias em grafos dinâmicos. Palavras-chave: Grafos, Detecção de Anomalias, redes dinâmicas, Redes Neurais de Grafos (GNN), anomalia de nó, mineração de grafos.