Glad

A detecção de anomalias tradicional em mídias sociais foca principalmente em anomalias pontuais individuais, enquanto fenômenos anômalos geralmente ocorrem em grupos. Portanto, é valioso estudar o comportamento coletivo dos indivíduos e detectar anomalias em grupo. As abordagens existentes de detecção de anomalias em grupo dependem da suposição de que os grupos são conhecidos, o que dificilmente é verdade em aplicações reais em mídias sociais. Neste artigo, adotamos uma abordagem generativa propondo um modelo bayesiano hierárquico: o modelo de Detecção de Anomalias Latentes em Grupo (GLAD). O GLAD recebe dados em pares e pontuais como entrada, infere automaticamente os grupos e detecta anomalias em grupo simultaneamente. Para levar em conta as propriedades dinâmicas dos dados das mídias sociais, generalizamos ainda mais o GLAD para sua extensão dinâmica d-GLAD. Realizamos extensos experimentos para avaliar nossos modelos em conjuntos de dados sintéticos e do mundo real. Os resultados empíricos demonstram que nossa abordagem é eficaz e robusta na descoberta de grupos latentes e na detecção de anomalias em grupo.