ترجمه فارسی مقاله تشخیص آنلاین ناهنجاری‌ها در گراف‌های دانش زمانی با قابلیت تفسیر

چکیده

Temporal knowledge graphs (TKGs) are valuable resources for capturing evolving relationships among entities, yet they are often plagued by noise, necessitating robust anomaly detection mechanisms. Existing dynamic graph anomaly detection approaches struggle to capture the rich semantics introduced by node and edge categories within TKGs, while TKG embedding methods lack interpretability, undermining the credibility of anomaly detection. Moreover, these methods falter in adapting to pattern changes and semantic drifts resulting from knowledge updates. To tackle these challenges, we introduce AnoT, an efficient TKG summarization method tailored for interpretable online anomaly detection in TKGs. AnoT begins by summarizing a TKG into a novel rule graph, enabling flexible inference of complex patterns in TKGs. When new knowledge emerges, AnoT maps it onto a node in the rule graph and traverses the rule graph recursively to derive the anomaly score of the knowledge. The traversal yields reachable nodes that furnish interpretable evidence for the validity or the anomalous of the new knowledge. Overall, AnoT embodies a detector-updater-monitor architecture, encompassing a detector for offline TKG summarization and online scoring, an updater for real-time rule graph updates based on emerging knowledge, and a monitor for estimating the approximation error of the rule graph. Experimental results on four real-world datasets demonstrate that AnoT surpasses existing methods significantly in terms of accuracy and interoperability. All of the raw datasets and the implementation of AnoT are provided in https://github.com/zjs123/ANoT.

چکیده به فارسی (ترجمه ماشینی)

نمودارهای دانش موقتی (TKG) منابع ارزشمندی برای ضبط روابط در حال تحول در بین موجودات هستند ، اما اغلب آنها را گرفتار سر و صدا می کنند و به مکانیسم های تشخیص ناهنجاری قوی نیاز دارند.رویکردهای تشخیص ناهنجاری نمودار پویا موجود در تلاش برای گرفتن معناشناسی غنی معرفی شده توسط دسته های گره و لبه در TKG ها ، در حالی که روش های جاسازی TKG فاقد تفسیر هستند و اعتبار تشخیص ناهنجاری را تضعیف می کنند.علاوه بر این ، این روش ها در سازگاری با تغییرات الگوی و رانش های معنایی ناشی از به روزرسانی دانش ، متلاشی می شوند.برای مقابله با این چالش ها ، ما ANOT را معرفی می کنیم ، یک روش خلاصه TKG کارآمد متناسب برای تشخیص ناهنجاری آنلاین قابل تفسیر در TKG ها.ANOT با خلاصه کردن TKG در یک نمودار قاعده جدید شروع می شود و استنباط انعطاف پذیر الگوهای پیچیده در TKG ها را فراهم می کند.هنگامی که دانش جدید ظهور می کند ، ANOT آن را بر روی یک گره در نمودار قاعده نقشه می کند و نمودار قاعده را به صورت بازگشتی طی می کند تا نمره ناهنجاری دانش را بدست آورد.بازده ترازو گره های قابل دستیابی را ارائه می دهد که شواهد قابل تفسیر را برای اعتبار یا غیر عادی دانش جدید ارائه می دهد.به طور کلی ، ANOT یک معماری آشکارساز-به روزرسانی-مانیتور را شامل می شود ، شامل یک آشکارساز برای جمع بندی TKG آفلاین و امتیاز دهی آنلاین ، به روزرسانی برای به روزرسانی های نمودار قانون در زمان واقعی بر اساس دانش نوظهور و مانیتور برای تخمین خطای تقریب نمودار قانون.نتایج تجربی در چهار مجموعه داده در دنیای واقعی نشان می دهد که ANOT از نظر دقت و قابلیت همکاری به طور قابل توجهی از روشهای موجود فراتر می رود.تمام مجموعه داده های خام و اجرای ANOT در https://github.com/zjs123/anot ارائه شده است.