Fugu-MT 論文翻訳(概要): AnomalyDAE: Dual autoencoder for anomaly detection on attributed networks

論文の概要: AnomalyDAE: Dual autoencoder for anomaly detection on attributed networks

arxiv url: http://arxiv.org/abs/2002.03665v2
Date: Wed, 12 Feb 2020 10:26:44 GMT
ステータス: 処理完了
システム内更新日: 2023-01-02 07:40:16.780372
Title: AnomalyDAE: Dual autoencoder for anomaly detection on attributed networks
Title（参考訳）: anomalydae: 帰属ネットワーク上の異常検出のためのデュアルオートエンコーダ
Authors: Haoyi Fan, Fengbin Zhang, Zuoyong Li
Abstract要約: 属性付きネットワーク上の異常検出は、ほとんどの参照ノードからパターンが著しく逸脱したノードを見つけることを目的としている。デュアルオートエンコーダ(AnomalyDAE)による異常検出のためのディープジョイント表現学習フレームワークを提案する。構造と属性の両方の観点からノードの再構成誤差を測定することで異常を検出することができる。
参考スコア（独自算出の注目度）: 10.728863198129478
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Anomaly detection on attributed networks aims at finding nodes whose patterns deviate significantly from the majority of reference nodes, which is pervasive in many applications such as network intrusion detection and social spammer detection. However, most existing methods neglect the complex cross-modality interactions between network structure and node attribute. In this paper, we propose a deep joint representation learning framework for anomaly detection through a dual autoencoder (AnomalyDAE), which captures the complex interactions between network structure and node attribute for high-quality embeddings. Specifically, AnomalyDAE consists of a structure autoencoder and an attribute autoencoder to learn both node embedding and attribute embedding jointly in latent space. Moreover, attention mechanism is employed in structure encoder to learn the importance between a node and its neighbors for an effective capturing of structure pattern, which is important to anomaly detection. Besides, by taking both the node embedding and attribute embedding as inputs of attribute decoder, the cross-modality interactions between network structure and node attribute are learned during the reconstruction of node attribute. Finally, anomalies can be detected by measuring the reconstruction errors of nodes from both the structure and attribute perspectives. Extensive experiments on real-world datasets demonstrate the effectiveness of the proposed method.
Abstract（参考訳）: 属性付きネットワーク上の異常検出は,ネットワーク侵入検出やソーシャルスパマー検出など,多くのアプリケーションで普及している参照ノードからパターンが著しく逸脱したノードを見つけることを目的としている。しかし、既存のメソッドの多くは、ネットワーク構造とノード属性の間の複雑なクロスモダリティインタラクションを無視している。本稿では,高品質組込みのためのネットワーク構造とノード属性の複雑な相互作用を捉えるデュアルオートエンコーダ(anomalydae)による異常検出のための深結合表現学習フレームワークを提案する。具体的には、AnomalyDAEは構造オートエンコーダと属性オートエンコーダからなり、ノード埋め込みと属性埋め込みの両方を潜在空間に共同で学習する。さらに、アテンション機構を構造エンコーダに採用し、ノードとその周辺ノード間の重要性を学習し、異常検出に重要な構造パターンを効果的に捕捉する。さらに、属性デコーダの入力としてノード埋め込みと属性埋め込みを併用することにより、ノード属性の再構築中にネットワーク構造とノード属性間の相互の相互作用を学習する。最後に、構造と属性の両方の観点からノードの再構成誤差を測定することで異常を検出することができる。実世界のデータセットに関する広範囲な実験により,提案手法の有効性が示された。

関連論文リスト

Higher-order Structure Based Anomaly Detection on Attributed Networks [25.94747823510297]
本稿では,高次構造に基づく異常検出(GUIDE)手法を提案する。我々は属性オートエンコーダと構造オートエンコーダを利用してノード属性と高階構造を再構成する。また、隣接ノードの重要性を評価するために、グラフ注意層を設計する。
論文参考訳（メタデータ） (2024-06-07T07:02:50Z)
Collaborative Graph Neural Networks for Attributed Network Embedding [63.39495932900291]
グラフニューラルネットワーク(GNN)は、属性付きネットワーク埋め込みにおいて顕著な性能を示している。本稿では,ネットワーク埋め込みに適したGNNアーキテクチャであるCulaborative graph Neural Networks-CONNを提案する。
論文参考訳（メタデータ） (2023-07-22T04:52:27Z)
ARISE: Graph Anomaly Detection on Attributed Networks via Substructure Awareness [70.60721571429784]
サブ構造認識(ARISE)による属性付きネットワーク上の新しいグラフ異常検出フレームワークを提案する。 ARISEは、異常を識別するグラフのサブ構造に焦点を当てている。実験により、ARISEは最先端の属性付きネットワーク異常検出(ANAD)アルゴリズムと比較して、検出性能が大幅に向上することが示された。
論文参考訳（メタデータ） (2022-11-28T12:17:40Z)
AHEAD: A Triple Attention Based Heterogeneous Graph Anomaly Detection Approach [23.096589854894884]
AHEADは、エンコーダ-デコーダフレームワークに基づく教師なしグラフ異常検出アプローチである。実世界の異種情報ネットワークにおけるAHEADの優位性を示す。
論文参考訳（メタデータ） (2022-08-17T10:08:28Z)
Reconstruction Enhanced Multi-View Contrastive Learning for Anomaly Detection on Attributed Networks [35.93516937521393]
本稿では,マルチビュー・コントラッシブ・ラーニング・ベース・モジュールと属性再構成・ベース・モジュールを併用して,属性付きネットワーク上の異常をより正確に検出する自己教師付き学習フレームワークを提案する。 5つのベンチマークデータセットで行った実験は、我々のモデルが現在の最先端モデルより優れていることを示している。
論文参考訳（メタデータ） (2022-05-10T11:35:32Z)
Deep Dual Support Vector Data Description for Anomaly Detection on Attributed Networks [7.299729677753102]
本稿では,属性ネットワーク上の異常検出のための自動エンコーダ(Dual-SVDAE)に基づくディープデュアルサポートベクトルデータ記述のエンドツーエンドモデルを提案する。具体的には、Dual-SVDAEは、構造空間におけるノードの潜在表現をそれぞれ学習する構造オートエンコーダと属性オートエンコーダから構成される。実世界の属性ネットワークの実験では、Dual-SVDAEは一貫して最先端のネットワークを上回っている。
論文参考訳（メタデータ） (2021-09-01T01:21:06Z)
Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文参考訳（メタデータ） (2021-02-27T03:17:20Z)
GAGE: Geometry Preserving Attributed Graph Embeddings [34.25102483600248]
本稿では,属性ネットワークにノードを埋め込む手法を提案する。接続と属性の両方の距離を保存する。学習課題に取り組むために,効率的かつ軽量なアルゴリズムを開発した。
論文参考訳（メタデータ） (2020-11-03T02:07:02Z)
On the use of local structural properties for improving the efficiency of hierarchical community detection methods [77.34726150561087]
本研究では,階層型コミュニティ検出の効率向上のために,局所構造ネットワーク特性をプロキシとして利用する方法について検討する。また,ネットワークプルーニングの性能への影響を,階層的コミュニティ検出をより効率的にするための補助的手法として検証する。
論文参考訳（メタデータ） (2020-09-15T00:16:12Z)
Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
論文参考訳（メタデータ） (2020-08-19T04:53:31Z)
Suppress and Balance: A Simple Gated Network for Salient Object Detection [89.88222217065858]
両問題を同時に解くための単純なゲートネットワーク(GateNet)を提案する。多レベルゲートユニットの助けを借りて、エンコーダからの貴重なコンテキスト情報をデコーダに最適に送信することができる。さらに,提案したFold-ASPP操作(Fold-ASPP)に基づくアトラス空間ピラミッドプーリングを用いて,様々なスケールのサリアンオブジェクトを正確に位置決めする。
論文参考訳（メタデータ） (2020-07-16T02:00:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。