动态图结构-时序联合挖掘（STEAM）：面向模体级异常检测的创新框架

针对动态图中模体级异常检测（DGAD）存在的结构信息利用不足和时序特征忽略问题，研究人员提出STEAM框架，通过构建模体增强超图（motif-augmented hypergraph）和细粒度时序自编码器，首次实现结构与时序异常模体的同步检测。实验表明，STEAM在6个基准数据集上AUC指标显著提升，其中UCI Messages数据集性能提高2.25%，为金融欺诈等场景提供关键技术支撑。

　　

动态图异常检测（DGAD）是当前图数据分析的前沿领域，其核心挑战在于捕捉动态演化过程中隐藏的异常模式。现实场景如金融交易网络中的欺诈团伙识别、社交网络中的恶意用户群体检测，往往表现为特定子图结构（即模体motif）的异常。然而，现有研究多聚焦节点或边级别异常，对模体级异常的研究存在两大瓶颈：一是传统方法仅提取节点特征而忽略边和邻域的结构信息（Limitation 1），二是时序分析局限于快照索引而忽视精确时间戳（Limitation 2）。这些缺陷导致现有方法难以识别具有高隐蔽性和结构多样性的异常模体，例如金融场景中由欺诈用户、虚假交易和恶意邻居共同构成的复杂异常模式。

针对这一难题，浙江师范大学的研究团队在《Knowledge-Based Systems》发表论文提出STEAM框架。该研究创新性地融合超图神经网络（HGNN）与时序自编码器技术，首次实现动态图中结构与时序异常模体的协同检测。关键技术包括：1）通过双超图变换（DHT）构建模体增强超图，同步提取节点、边及邻域特征；2）设计细粒度时序自编码器处理时间戳矩阵；3）开发特征融合机制整合多维度信息。实验使用6个公开数据集（含金融交易和社交网络数据），通过对比11种基线方法验证有效性。

研究结果
模体增强超图学习模块
通过将每个模体与其邻域构建为高阶结构，采用HGNN同时学习节点特征（如用户属性）和边特征（如交易频次）。实验显示该模块使结构异常检测F1-score提升18.7%，特别对含异常边的四边形模体识别效果显著。

细粒度时序自编码器
利用交易时间戳构建的时序矩阵，通过编码-解码机制捕捉时间模式异常。在模拟逾期交易数据中，该方法对时间偏差>2小时的异常模体召回率达92.3%，较传统序列建模方法提高35%。

特征融合与异常检测
通过平衡超图邻接矩阵和时序矩阵的重构误差计算异常分数。在UCI Messages数据集中，融合策略使AUC达到0.927，证明结构与时序特征的互补性。消融实验表明，单独移除时序模块会导致时序异常漏检率增加61%。

结论与意义
该研究突破传统DGAD方法的单一维度分析局限，开创性地提出三点贡献：1）首个同步检测结构与时序异常模体的框架STEAM；2）首创模体增强超图建模方法，实现边-节点-邻域特征的联合挖掘；3）验证细粒度时间戳对捕捉隐蔽异常的关键作用。实际应用中，该技术可有效识别金融场景中兼具异常拓扑（如闭环交易）与异常时序（如高频夜间交易）的复合型欺诈模体。作者指出，未来工作将扩展至动态超图（dynamic hypergraph）场景，并探索模体演化规律的可解释性分析。