JJXxXLL

相关工作（Related Work） 2.1 连续时间动态图（CTDG）上的异常检测连续时间动态图（Continuous-Time Dynamic Graph, 简称 CTDG）是一种边流（edge stream）结构，其输入为带时间戳的边序列。CTDG 通常用于建模现实中随时间连续演化的图结构。 无监督异常检测方法目前大多数无监督异常检测技术主要针对某类特定异常。代表性方法包括： Sedanspot [12]：专注于识别突发行为（bursts）和桥接边（连接稀疏子图的边）； MIDAS [4]：发现特定节点群体中交互的突增； F-FADE [6]：检测节点对之间交互的突然上升或社区结构的快速改变； AnoGraph [5]：识别稠密子图以及其中的异常边。 这些方法通常通过增量计算提升效率，但缺乏可学习模块，因此难以捕捉复杂的异常行为模式，也难以推广到非预定义的异常类型。 表示学习方法CTDG 中的表示学习旨在为每个新到达的边更新节点的表示，从而动态反映节点随时间演化的行为模式。 代表性方法包括： JODIE [20]：基于 RNN 实现动态节点表示； DyRep [34]：结合 ...

SLADE 结构增强机制改进过程记录背景与目标为提升动态图异常检测模型 SLADE 在多种数据集上的泛化能力与结构感知能力，我们围绕结构增强展开一系列实验，目标是设计一套通用、稳定、轻量的结构增强机制，能适用于如 Wikipedia、Reddit 等结构差异大的动态图数据集。 初始结构增强尝试：NIF (Node Interaction Frequency)方法： 对每个交互边 (u, v)，记录其交互频次 freq_uv； 将 freq_uv 离散为等级 (0~3)，映射为可学习 embedding； 拼接到 source_message 中： 1source_message = [destination_memory, time_encoding, NIF_embedding] 问题： 在 Reddit 上引发严重崩溃（AUC 降至 < 0.5）； 结构信号过强、未被控制，扰乱 memory 更新； 第一轮修复：加入 gate 控制结构信息注入方法： 使用结构 gate：sigmoid(Linear(NIF)) 控制结构特征注入强度； 初始化 gate 的 ...

错误点： LocalDate vs LocalDateTime 类型 包含信息 适配场景 前端传参格式 转换复杂度 LocalDate 年 / 月 / 日 仅日期维度的查询（如入职日期） 2010-01-01 极低（无冗余） LocalDateTime 年 / 月 / 日 / 时 / 分 / 秒 需精确到时间的场景（如订单创建时间） 2010-01-01 12:00:00 高（需补时分秒） 致命错误：@DateTimeFormat 的 pattern 格式（核心） ❌ 错误写法： pattern = “yyyy-mm-dd” mm是分钟（minute），MM才是月份（month）！此错误会导致：前端传2010-01-01→ 被解析为2010-00-01（分钟 00，月份错误），触发时间转换异常。 ✅ 正确写法： pattern = “yyyy-MM-dd” 匹配前端的2010-01-01 纯日期格式，正确解析月份。 请求参数过多定义一个实体类，来封装这几个请求参数 动态SQLSQL语句不应该是写死的，而应该根据用户输入的条件的变化而变化。 那 ...

Chapter 1 - Introduction to Big Data Mining1. What’s Big Data?大数据是指那些规模巨大、增长迅速、类型多样，而传统数据处理工具难以有效处理的数据集合。 Big Data refers to datasets that are too large, fast, or diverse for traditional data-processing software to manage efficiently. 2. The 4Vs of Big Data（四个特性） Volume（体量）：数据规模巨大（如 Walmart 每小时 2.5PB）； Velocity（速度）：数据产生速度快（如传感器、社交平台）； Variety（多样性）：数据形式丰富（文本、图像、音频、视频等）； Veracity（真实性）：数据存在不确定性、缺失、噪声问题。 3. What’s Data Mining?数据挖掘是从大量数据中自动发现有价值的模式和知识的过程。 Data mining is the process of automa ...

文献地址：SLADE: Detecting Dynamic Anomalies in Edge Streams without Labels via Self-Supervised Learning 代码地址：SLADE 1 引言（Introduction）在现实场景中进行图异常检测面临以下挑战： 挑战 C1：检测延迟（Time Delay in Detection）尽管大多数异常检测方法假设输入图是静态的，但现实中的图是随着交互事件不断演化的。因此，及时识别异常事件变得尤为重要。如果检测存在延迟，就有可能在此期间让恶意节点对正常节点造成损害。 然而，如果每次交互事件发生时都重新运行一次静态图异常检测算法，那么巨大的计算成本会造成严重的延迟。为此，我们应当将交互事件建模为边流（edge stream），并使用增量计算（incremental computation）方式，在常数时间内评估每条新边是否异常。 过去一些研究（如文献[4,12]）已经提出了用于边流异常检测的增量算法。然而，这些方法大多只针对某一类异常（例如突发行为），缺乏可学习的模块，难以识别复杂的行为偏移模式。 挑战 C ...

现在需要根据所给经纬度的范围，绘制对应的实际地图 有三种方法

Q： 使用云服务器时，上传新的代码，终端运行python XXXX.py。但结果跑的是没修改过原来的代码。 A： 使用pip install -e . pip install -e . 是一个用于安装 Python 包的开发模式（可编辑模式）的命令，通常用于本地开发。它的作用如下： 1. 可编辑模式（Editable Mode） -e 是 --editable 的缩写，表示以“可编辑”模式安装包。 安装后，包的代码会直接链接到源代码所在的目录（而不是复制到 site-packages 中）。 修改代码后立即生效，无需重新安装包（适合开发调试）。 2. . 的含义 . 表示当前目录，命令会在当前目录下查找 setup.py 或 pyproject.toml 文件。 根据这些文件中的配置（如包名、依赖、版本等）安装包。 3. 实际效果 包会被安装到 Python 环境的 site-packages 目录，但会生成一个 .pth 文件或 egg-link 文件，指向项目的本地目录。 例如： 1/path/to/your/project 修改项目中的代码后，下次导入包时会直接使用最 ...

文献地址：[Subset Node Representation Learning over Large Dynamic Graphs]) 代码地址：zjlxgxz/DynAnom: Codebase for KDD22 paper “Subset Node Anomaly Tracking over Large Dynamic Graphs” 现实中的动态网络规模大，传统方法计算所有顶点的表示成本过高，因为特定应用通常只关注小部分节点。本文聚焦于在大规模动态网络中，为少量目标节点高效学习动态嵌入的问题。 由于在特定应用中可能只有一小部分节点是感兴趣的，因此随时间计算所有顶点的表示成本过高。因此，在这种典型用例下，为这些大规模动态网络高效地学习动态嵌入既具有重要意义，也面临技术挑战。

文献地址：RustGraph 代码地址：RustGraph IEEE TKDE 现有问题 这篇论文主要解决了在动态图中进行异常检测的两个关键问题： 问题1： 现有方法将结构和时间动态分开建模，无法充分捕捉二者之间的依赖关系。 问题2： 现有方法依赖负采样生成噪声标签，导致模型对标签噪声的敏感性过高。 结构信息与时间动态的独立建模问题现有的动态图异常检测方法通常将图的拓扑结构和时间动态分开建模，导致未能充分利用结构与时间之间的相互依赖关系。大多数方法（如GCN+GRU组合）将这两个维度分别处理，忽视了两者之间的联合作用。这一独立建模的方式降低了模型的表现，因为在动态图中，结构的变化往往与时间的演变密切相关。 RustGraph的解决方案： RustGraph提出了一个结构-时间联合学习框架，通过一个变分结构-时间图自动编码器（VST-GAE）同时编码图的结构信息和时间信息。这种联合学习的方法能够更好地捕捉结构变化与时间依赖之间的关系，从而提高异常检测的精度。 噪声标签问题由于真实世界中的异常事件是稀缺的，很多现有方法通过负采样（例如随机替换正常边的端点）生成伪标签来训练模型。然而， ...

文献地址：2412.16447 代码地址：YXNTU/GeneralDyG 摘要本研究提出了GeneralDyG方法，通过对时间自我图进行采样，并依次提取结构和时间特征，以应对实现泛化性的三个关键挑战：数据多样性、动态特征捕获和计算成本。 引言 引言部分总结 图在众多领域用于建模复杂系统，现实中图数据常随时间演变，如知识网络每月有新知识及连接变化。动态图挖掘受关注，其中异常检测对识别偏离正常模式的节点或边意义重大，可用于检测欺诈、垃圾邮件和网络入侵等，有助于增强系统安全与完整性。 深度学习方法虽推动了动态图异常检测进展，但缺乏跨任务或数据集的泛化性。现有方法存在对异常事件编码不佳、时间信息捕获能力弱等问题，像 SimpleDyG 丢弃拓扑结构信息不适合节点和边缘异常检测，TADDY 位置编码有缺陷，GDN 未整合时间值信息在特定数据集表现差。开发通用方法面临数据多样性、动态特征捕获和计算成本挑战。 引用文献 方法名称 主要特点 在异常检测中的不足 Deng 和 Hooi（2021） GDN 将结构学习与图神经网络结合，利用注意力权重增强异常可解释性 在对时间数据建模时 ...

网站地址：dgraph-web 论文地址：2207.03579 baseline：DGraphXinye/DGraphFin_baseline: This is a repository contaning baseline code for DGraphFin Dataset DGraphDGraph提供了来自各个领域（如金融网络和社交网络）的动态数据集的集合。DGraph 旨在帮助社区更好地探索和理解动态图的演变，以及评估动态图建模方法。 DGraph-Fin 标签：为了更好地了解实际的财务场景，我们将节点分为 foreground nodes （前景节点） 和 background nodes （后台节点）。前景节点是标记为正常 （Class 0） 和欺诈 （Class 1） 的节点，它们也是我们预测任务的节点。另一方面，背景节点与任务无关，但在维护图形的连接性方面发挥着重要作用。 任务：DGraph-Fin 的任务是根据节点特征和图形结构信息检测欺诈用户。这是财务场景中的常见任务。我们将节点随机分成训练/验证/测试集，比例为 70：15：15。 不断发展的模式：DGraph- ...

文献地址：2304.05729 代码地址