Exact Deviation Attribution and Amortised Event Explanation for Semi-Supervised Anomaly Detection on Dynamic Graphs
Dit artikel introduceert een raamwerk voor semi-gecontroleerde anomaliedetectie op dynamische grafen dat exacte, gesloten vorm van afwijkingsattributie biedt en een geamortiseerd eventmasker leert om beslissingen uit te leggen zonder impact op de detectieprestaties, terwijl het onthult dat waarschuwingen vaak evenveel voortkomen uit individueel gedrag van knooppunten als uit verschuivingen in de populatiebaseline.