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]：结合深度时间点过程与 RNN；
  • TGAT [39]：利用时间编码和图注意力机制建模邻居之间的时间依赖；
  • DDGCL [33]：基于时间平滑性，通过对比学习获取节点表示；
  • TGN [29]：引入 memory 模块记录节点历史行为并基于 RNN 更新；
  • DGTCC [13]：通过前后状态的 memory 对比进行训练，假设 memory 更新过程是逐渐演化的。

上述方法多数将表示学习结果输入到有监督分类器中，需要异常标签进行训练。而 SAD [32] 使用伪标签与对比学习结合，但依然依赖标签数据。

静态图异常检测

许多方法专注于静态图上的异常检测，常采用图自监督学习以弥补标签缺失。典型方法包括：

  • ANEMONE [14]：比较由特征和由图结构+特征所学习的表示，若两者差异大则为异常；
  • DOMINANT [10]：基于图自动编码器重构图结构与属性，通过重构误差判断异常。

这些方法虽然能在静态图中表现良好，但难以扩展到动态图场景，因为节点表示需要随时间动态演化。

离散时间动态图（DTDG）

DTDG（Discrete-Time Dynamic Graph）是另一种动态图形式，其输入为一系列离散时间点的图快照 $G_1, G_2, …, G_T$。

代表性方法包括：

  • Netwalk [40]：结合随机游走和自动编码器，识别表示差异显著的节点对；
  • AddGraph [41]：使用 GCN 提取当前图中短期结构特征，结合 GRU 获取长期模式；
  • TADDY [25]：利用 Transformer 进行多尺度图结构建模。

这类方法以图快照为单位，存在一定延迟，因此不适合需要即时响应的任务（如安全监测）。此外，它们通常关注边的异常性，而非节点的动态状态演变。而本文的目标是检测节点在连续时间上的状态漂移，因此更适合使用 CTDG 结构。