A network provides powerful means of representing complex relationships between entities by abstracting entities as vertices, and relationships as edges connecting vertices in a graph. Beyond the presence or absence of relationships, a network may contain additional information that can be attributed to the entities and their relationships. Attaching these additional attribute data to the corresponding vertices and edges yields an attributed graph. Moreover, in the majority of real-world applications, such as online social networks, financial networks and transactional networks, relationships between entities evolve over time. Change detection in dynamic attributed networks is an important problem in many areas, such as fraud detection, cyber intrusion detection and health care monitoring. It is a challenging problem because it involves a time sequence of attributed graphs, each of which is usually very large and can contain many attributes attached to the vertices and edges, resulting in a complex, high dimensional mathematical object. In this survey we provide an overview of some of the existing change detection methods that utilize attribute information. We categorize these methods based on the levels of structure in the graph that are exploited to detect changes. These levels are vertices, edges, subgraphs, communities and the overall graph. We focus our attention on the strengths and weaknesses of these methods, including performance and scalability. Finally we discuss some publicly available dynamic network datasets and give a brief overview of simulation models to generate synthetic dynamic attributed networks.

中文翻译：

---

动态属性网络中的变化检测

网络通过将实体抽象为顶点，将关系抽象为连接图中顶点的边，提供了表示实体之间复杂关系的强大方法。除了关系的存在与否之外，网络还可能包含可归因于实体及其关系的附加信息。将这些额外的属性数据附加到相应的顶点和边上会产生一个属性图。此外，在大多数现实世界的应用程序中，例如在线社交网络、金融网络和交易网络，实体之间的关系随着时间的推移而演变。动态属性网络中的变化检测是欺诈检测、网络入侵检测和医疗保健监控等许多领域的重要问题。这是一个具有挑战性的问题，因为它涉及属性图的时间序列，每个图通常非常大，并且可以包含许多附加到顶点和边的属性，从而产生复杂的高维数学对象。在本次调查中，我们概述了一些利用属性信息的现有变更检测方法。我们根据用于检测变化的图中的结构级别对这些方法进行分类。这些级别是顶点、边、子图、社区和整体图。我们将注意力集中在这些方法的优缺点上，包括性能和可扩展性。最后，我们讨论了一些公开可用的动态网络数据集，并简要概述了生成合成动态属性网络的模拟模型。每一个通常都非常大，并且可以包含许多附加到顶点和边的属性，从而产生复杂的高维数学对象。在本次调查中，我们概述了一些利用属性信息的现有变更检测方法。我们根据用于检测变化的图中的结构级别对这些方法进行分类。这些级别是顶点、边、子图、社区和整体图。我们将注意力集中在这些方法的优缺点上，包括性能和可扩展性。最后，我们讨论了一些公开可用的动态网络数据集，并简要概述了生成合成动态属性网络的模拟模型。每一个通常都非常大，并且可以包含许多附加到顶点和边的属性，从而产生复杂的高维数学对象。在本次调查中，我们概述了一些利用属性信息的现有变更检测方法。我们根据用于检测变化的图中的结构级别对这些方法进行分类。这些级别是顶点、边、子图、社区和整体图。我们将注意力集中在这些方法的优缺点上，包括性能和可扩展性。最后，我们讨论了一些公开可用的动态网络数据集，并简要概述了生成合成动态属性网络的模拟模型。高维数学对象。在本次调查中，我们概述了一些利用属性信息的现有变更检测方法。我们根据用于检测变化的图中的结构级别对这些方法进行分类。这些级别是顶点、边、子图、社区和整体图。我们将注意力集中在这些方法的优缺点上，包括性能和可扩展性。最后，我们讨论了一些公开可用的动态网络数据集，并简要概述了生成合成动态属性网络的模拟模型。高维数学对象。在本次调查中，我们概述了一些利用属性信息的现有变更检测方法。我们根据用于检测变化的图中的结构级别对这些方法进行分类。这些级别是顶点、边、子图、社区和整体图。我们将注意力集中在这些方法的优缺点上，包括性能和可扩展性。最后，我们讨论了一些公开可用的动态网络数据集，并简要概述了生成合成动态属性网络的模拟模型。我们根据用于检测变化的图中的结构级别对这些方法进行分类。这些级别是顶点、边、子图、社区和整体图。我们将注意力集中在这些方法的优缺点上，包括性能和可扩展性。最后，我们讨论了一些公开可用的动态网络数据集，并简要概述了生成合成动态属性网络的模拟模型。我们根据用于检测变化的图中的结构级别对这些方法进行分类。这些级别是顶点、边、子图、社区和整体图。我们将注意力集中在这些方法的优缺点上，包括性能和可扩展性。最后，我们讨论了一些公开可用的动态网络数据集，并简要概述了生成合成动态属性网络的模拟模型。