AnomalyLLM: Few-shot Anomaly Edge Detection for Dynamic Graphs using Large Language Models

本文是LLM系列文章，针对《AnomalyLLM: Few-shot Anomaly Edge Detection for Dynamic Graphs using Large Language Models》的翻译。

摘要

检测动态图的异常边缘旨在识别明显偏离正常模式的边缘，并可应用于各种领域，例如网络安全、金融交易和 AIOps。随着时间的推移，异常边缘的类型不断涌现，每种类型的标记异常样本都很少。当前方法要么旨在检测随机插入的边缘，要么需要足够的标记数据进行模型训练，这损害了它们在实际应用中的适用性。在本文中，我们通过配合大型语言模型 （LLM） 中编码的丰富知识来研究这个问题，并提出了一种方法，即 AnomalyLLM。为了将动态图与 LLM 对齐，AnomalyLLM 预训练了一个动态感知编码器来生成边的表示，并使用词嵌入的原型对边进行重新编程。除了编码器，我们还设计了一个上下文学习框架，该框架集成了几个标记样本的信息，以实现小样本异常检测。在四个数据集上的实验表明，AnomalyLLM 不仅可以显著提高小样本异常检测的性能，而且可以在不更新任何模型参数的情况下对新异常取得卓越的结果。

1 引言

2 相关工作

3 前言

4 方法

5 实验

6 结论

在本文中，我们是第一个将 LLM 与动态图形异常检测集成在一起的，解决了小