When Recommendation Goes Wrong: Anomalous Link Discovery in Recommendation Networks
Metadane
- Autorzy: Bryan Perozzi, Michael Schueppert, Jai Saalweachter, Mayur Thakur
- Rok: 2016
- Źródło: SIGKDD 2016
- Status: to-read
- Pochodzenie: Wyekstrahowane z xu-edog-adversarial-2023
- Tagi: to-read reference anomaly-detection link-prediction baseline
Streszczenie
Anomalous Link Discovery (ALD) approach - baseline method dla wykrywania malicious edges. Dla każdej pary węzłów (u,v) oblicza 5 features:
- Similarity of neighbours
- Number of common neighbours
- Distance between nodes
- Preferential attachment
- Similarity of node features
Następnie trenuje logistic regression classifier na feature vectors, gdzie ground truth: 1 dla existing edges, 0 dla non-edges. Edges z niskim predicted probability są suspicious.
Kluczowe Wnioski
- Tradycyjne link prediction features mogą służyć do anomaly detection
- Logistic regression jako prosty ale efektywny classifier
- Focus na structural properties grafu
- Nie wymaga deep learning - szybkie i interpretowalne
Notatki
Publikacja dodana automatycznie z bibliografii. Jeden z dwóch głównych baselines dla EDoG.
Relevancja dla xu-edog-adversarial-2023:
- Baseline ALD performance: 0.599 (single-edge), 0.429 (multi-direct), 0.350 (multi-indirect), 0.476 (meta)
- EDoG significantnie przewyższa (0.861, 0.755, 0.829, 0.728)
- ALD mylony przez random edges (Table IX), EDoG bardziej robust