Graph Anomaly Detection: Metodologie e Applicazioni

La Graph Anomaly Detection rappresenta un'area di ricerca emergente nell'ambito del machine learning e della data science, finalizzata all'identificazione di nodi, archi o sottografi che presentano comportamenti anomali rispetto alla struttura o alle proprietà di una rete. L'interesse verso questa tematica è cresciuto in seguito alla diffusione di dati strutturati sotto forma di grafi, come reti sociali, reti di comunicazione, sistemi finanziari e reti informatiche. L'obiettivo di questa tesi è fornire una panoramica delle principali metodologie impiegate per il rilevamento delle anomalie nei grafi, analizzandone i principi teorici, i punti di forza e le limitazioni. Verranno esaminati sia gli approcci tradizionali, basati su metriche strutturali e tecniche statistiche, sia le metodologie più recenti fondate sul machine learning e sul deep learning, con particolare attenzione ai modelli basati su Graph Neural Networks e autoencoder. Infine, saranno illustrate alcune delle principali applicazioni della Graph Anomaly Detection in contesti reali, quali il rilevamento di frodi finanziarie, la cybersecurity, l'analisi delle reti sociali e il monitoraggio di infrastrutture complesse. Lo studio intende evidenziare come le moderne tecniche di analisi dei grafi costituiscano uno strumento fondamentale per l'identificazione di comportamenti anomali in sistemi caratterizzati da relazioni complesse e grandi quantità di dati.