一种基于半监督学习的图数据异常检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113627479A(43)申请公布日2021.11.09(21)申请号202110775393.3(22)申请日2021.07.09(71)申请人中国科学院信息工程研究所地址100093北京市海淀区区闵庄路甲89号(72)发明人论志成古晓艳樊海慧李波王伟平(74)专利代理机构北京君尚知识产权代理有限公司11200代理人司立彬(51)Int.Cl.G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书7页附图1页(54)发明名称一种基于半监督学习的图数据异常检测方法(57)摘要本发明公开了一种基于半监督学习的图数据异常检测方法。本方法为：1)数据分批采样模块将图数据样本进行分批，然后对于每一批图数据样本，以每一图数据样本中的每个边为目标边，依据设定采样跳数h以及每跳所要选取的边数Si对该目标边的邻居进行采样，得到该目标边的h阶邻域信息；2)利用边卷积神经网络依次对每一阶邻域信息加权求和，实现对目标边的邻域信息融合；重构该目标边并计算重构误差；若该目标边的重构误差超过设定阈值，则判定该目标边为异常；3)基于重构误差设计异常检测模型的损失函数，并利用步骤2)处理后的结果对图数据样本的边进行标注后训练异常检测模型；4)利用训练后的异常检测模型对待检测的图数据进行检测。CN113627479ACN113627479A权利要求书1/2页1.一种基于半监督学习的图数据异常检测方法，其步骤包括：1)数据分批采样模块将图数据样本进行分批，然后对于每一批图数据样本，以每一图数据样本中的每个边为目标边，依据设定采样跳数h以及每跳所要选取的边数Si对该目标边的邻居进行采样，得到该目标边的h阶邻域信息；其中每一跳的采样结果对应一阶邻域信息，每一阶邻域信息为一阶子图；i＝1～h；2)利用边卷积神经网络依次对每一阶邻域信息进行加权求和，实现对目标边的邻域信息进行融合；然后对每一条目标边对应的融合后的h阶邻域信息中的边特征进行编码，并对编码结果进行解码，重构该目标边并计算重构误差；若该目标边的重构误差超过设定阈值，则判定该目标边为异常，否则为正常；3)基于所述重构误差设计小样本引导的损失函数作为异常检测模型的损失函数，并利用步骤2)处理后的结果对图数据样本的边进行标注后训练异常检测模型；其中α、β为超参数，用来控制异常数据与非异常数据的影响程度；Rabnormal表示异常数据的平均重构误差，Rnon‑abnormal表示非异常数据的平均重构误差；4)利用步骤3)训练后的异常检测模型对待检测的图数据进行检测，识别其中是否存在异常边，如果存在异常边则判定该图数据为异常图数据。2.如权利要求1所述的方法，其特征在于，其中，E异常表示已知标记的异常边集合，E非异常表示除E异常外的其他边集合，xe表示边e的原始输入特征向量，表示边e对应的重构边的特征向量。3.如权利要求1所述的方法，其特征在于，采用公式计算边e的重构误差；其中，xai和xbi分别表示向量xa和向量xb在第i个维度上的值，向量xa为边e特征向量，向量xb为边e对应的重构边的特征向量。4.如权利要求1或2或3所述的方法，其特征在于，重构该目标边的方法为：首先采用h层边卷积神经网络层对该目标边的特征进行编码，获得该目标边的高质量低维表示，然后利用h层边卷积神经网络层对编码后的特征进行解码，使其特征映射回原始维度空间得到该目标边对应的重构边。5.如权利要求1或2或3所述的方法，其特征在于，所述边卷积神经网络的计算公式为H(/+1)‑1/2‑1/2TT(/)(/)＝σ(AD(D)AHW)；其中，A为边的邻接点矩阵，Ne和Nv分别表示边的数目和顶点的数目，若边i与顶点j相连，则矩阵A中的元素aij＝1，否则aij＝0；D为顶点度数的对角矩阵，H(l)是边在第l层边卷积神经网络层的特征表示，W(l)是第l层边卷积神经网络层的参数矩阵。6.如权利要求1所述的方法，其特征在于，距离目标边的跳数越大，对应跳数所要选取的边数越少。7.如权利要求1所述的方法，其特征在于，所述边卷积神经网络包括h个边卷积层，每一2CN113627479A权利要求书2/2页边卷积层实现目标边一跳邻域信息融合，h个边卷积层通过堆叠的方式实现对h阶邻域信息进行汇聚融合。8.一种服务器，其特征在于，包括存储器和处理器，所述存储器存储计算机程序，所述计算机程序被配置为由所述处理器执行，所述计算机程序包括用于执行权利要求1至7任一所述方法中各步骤的指令。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一所述方法的步骤。3CN113627479A说明