Beschreibung

• Im Kontext ubiquitärer und sozialer Umgebungen ist die Entdeckung von Anomalien eine wichtige und herausfordernde Aufgabe, beispielsweise zur Betrugsentdeckung in sozialen Online-Netzwerken, zur Analyse von Informationsausbreitung, zur Entdeckung von Events oder ungewöhnlicher Themen in heterogenen Netzen, oder der Identifikation von besonders interessantem oder außergewöhnlichem Verhalten, etwa bei der Betrachtung von einflussreichen bzw. zentralen Akteuren. Im Allgemeinen betrachten wir Punkte oder Muster in Daten als Anomalien, wenn sie nicht zu einem Verständnis eines gewissen Normalverhaltens korrespondieren. Allerdings gibt es für gewöhnlich keine klare Formalisierung des Normalverhaltens. Weiterhin betrachtet die derzeitige Forschung hauptsächlich "Punktanomalien", d.h. Anomalien nur bezüglich einzelner Punkte; dies schließt daher nicht Anomalien komplexerer Struktur ein, beispielsweise solche mit Gruppenstruktur, die oft in heterogenen und potentiell multi-dimensionalen Netzwerken beobachtet werden. Daher werden solche komplexen (kollektiven) Anomalie-Muster oft nicht erkannt, etwa wenn die Einzelpunkte normal scheinen, und nur durch ihr Zusammenwirken eine Anomalie bedingen. Die Komplexität der Anomalie-Entdeckung wird hier noch zusätzlich durch multi-relationale und multi-dimensionale Daten erhöht, beispielsweise durch eine Menge verbundener Netzwerke mit räumlich-zeitlichen Charakteristiken, etwa im Bereich von Mobilitätsdaten, sozialer Online-Netzwerke, und einer Menge von Aktivitäten und/oder Transaktionen. Daher werden wir einen modellbasierten Ansatz entwickeln, der explizit formalisierte Referenzmodelle hinsichtlich normaler (und abnormaler) Interaktionen nutzt, um Anomalie-Muster besser zu entdecken, Artefakte zu reduzieren, und Transparenz zu fördern. Es werden insbesondere kontextuell-kollektive Anomalien betrachtet, basierend auf der Analyse von Subgruppen-Strukturen und -Mustern, und der Anpassung entsprechender Merkmale bezogen auf Punktanomalien. Als Ausgangspunkt werden Methoden aus dem Bereich der Entdeckung lokal-ungewöhnlicher Muster angepasst, um Gruppen-Anomalie-Muster zu entdecken. Weiterhin werden wir auch verteilte Methoden in großen Datenmengen und ihre skalierbare Implementierung untersuchen. Wir werden Methoden entwickeln, um Referenzmodelle unter Nutzung verschiedener Repräsentation zu formalisieren. Dazu werden wir auch Hintergrundwissen in Form von Theorien, z.B. aus dem Bereich der Soziologie, der Wirtschaftswissenschaften, oder der Psychologie im Kontext verschiedener Wissensrepräsentationen nutzen. Die entwickelten Methoden und Algorithmen werden mittels einer diversen Menge aus Benchmark-Datensätzen evaluiert. Weitere Evaluationskontexte ergeben sich durch ubiquitäre und soziale Systeme und prototypischer Implementierungen. Weiterhin werden Methoden und Algorithmen als Open Source bereitgestellt, um wissenschaftliche Verbreitung, transparente Evaluierung, und Open Access zu gewährleisten bzw. zu fördern.

Projektlaufzeit

• 01.08.2020 - 30.04.2021