11:17官方账号arXiv cs.LG@Noah Dahle, Anne Tumlin, Ngoc Tran, Xenofon Koutsoukos, Tyler Derr关系异常检测通常应用于关系数据库中的数据,但大多数现有方法需要将多个表扁平化为单个特征矩阵,这可能会掩盖实体身份、模式结构和多跳依赖关系。本文提出了一种名为RAD的关系异常检测器,它结合了异构图表示学习和精细的符号规则信号。实验表明,RAD在自然类别不平衡的情况下,在AUROC和AUPRC基准测试中取得了最佳平均排名。代码和数据可在GitHub上获取。论文关系异常检测规则增强异构图表示学习推荐理由:想要了解如何利用规则增强技术进行关系异常检测的朋友,RAD模型值得一试,它在多个基准测试中表现优异,且易于使用。原文稍后读已读值得跟进有用关注 关系异常检测
10:00官方账号arXiv cs.LG@Matthew FaucherTRACE-C是一种可审计的严格优先秩校准检测器,用于对齐的多流遥测:同一制度滚动中值/MAD残差为三个窗口通道提供输入,包括最大归一化局部和、基于鲁棒-z残差的Gaussian copula形式依赖对比以及最差标准化AR(1)创新。使用2019年1月至4月的英国电网六条流进行评估,2020年无窗口被选中,表明记录规则饱和而非平淡无奇的一年。论文关系异常检测秩校准多流遥测推荐理由:TRACE-C模型能够对多流遥测进行秩校准关系异常检测,与传统的基于时间通道的检测方法相比,其在某些事件上的排名更为准确。原文稍后读已读值得跟进有用关注 关系异常检测