The Case for Anomalous Link Discovery

Metadane

• Autorzy: Matthew J. Rattigan, David Jensen
• Rok: 2005
• Źródło: ACM SIGKDD Explorations Newsletter, vol. 7, no. 2
• Status: to-read
• Pochodzenie: Wyekstrahowane z xu-edog-adversarial-2023
• Tagi: to-read reference katz-index anomaly-detection baseline

Streszczenie

Propozycja użycia Katz index do anomalous link discovery. Katz index mierzy connectivity między parą węzłów (u,v) jako:

Katz(u,v) = Σ^∞_{l=1} β^l |walks_l(u,v)|

gdzie β to damping factor (większa waga dla krótszych ścieżek), walks_l(u,v) to zbiór random walks długości l między u i v.

Intuicja: malicious links często mają małe Katz index values w porównaniu do normal links. Po normalizacji softmax, edges z niskim score są suspicious.

Kluczowe Wnioski

• High-order heuristic dla link connectivity
• Wykorzystuje global graph structure (all paths, not just direct neighbors)
• Damping factor kontroluje trade-off między local/global information
• Prosta metoda bez machine learning
• Malicious edges typowo mają niższy Katz index

Notatki

Publikacja dodana automatycznie z bibliografii. Drugi główny baseline dla EDoG (obok ALD).

Relevancja dla xu-edog-adversarial-2023:

• Baseline Katz performance: 0.850 (single-edge), 0.621 (multi-direct), 0.799 (multi-indirect), 0.696 (meta)
• Lepszy niż ALD, ale nadal gorszy niż EDoG
• Szczególnie słaby na multi-edge direct attacks (0.621) - collective power principle
• Dobrze radzi sobie na Rule dataset (dense graph): 0.966