Učení reprezentace grafů pro detekci anomálií v grafech

Abstract

Cílem této bakalářské práce je návrh a implementace modulárního výpočetního pracovního postupu pro detekci anomálií v grafech. Navržený systém postupně transformuje grafovou strukturu do embeddingové reprezentace uzlů, následně do prostoru vzdáleností a dále do podoby skórovacích hodnot, na jejichž základě jsou identifikovány anomální uzly. Implementovaný pracovní postup zahrnuje několik typů embeddingových metod, metod pro výpočet vzdáleností, skórovacích algoritmů a detekčních přístupů, které jsou integrovány do jednotného experimentálního rámce umožňujícího jejich kombinaci a porovnání. Experimentální část práce se zaměřuje na analýzu vlivu jednotlivých komponent a jejich parametrů na kvalitu detekce anomálií.

The aim of this bachelor thesis is the design and implementation of a modular computational pipeline for anomaly detection in graphs. The proposed system progressively transforms graph structures into node embedding representations, then into distance spaces, and finally into anomaly scoring values used to identify anomalous nodes. The implemented pipeline integrates several types of embedding methods, distance computation techniques, scoring algorithms, and anomaly detection approaches within a unified experimental framework that enables their combination and comparison. The experimental part of the thesis focuses on analysing the influence of individual components and their parameters on anomaly detection performance.