Fugu-MT 論文翻訳(概要): Laplacian Change Point Detection for Dynamic Graphs

論文の概要: Laplacian Change Point Detection for Dynamic Graphs

arxiv url: http://arxiv.org/abs/2007.01229v1
Date: Thu, 2 Jul 2020 16:24:24 GMT
ステータス: 処理完了
システム内更新日: 2022-11-14 13:51:41.592221
Title: Laplacian Change Point Detection for Dynamic Graphs
Title（参考訳）: 動的グラフのラプラシアン変化点検出
Authors: Shenyang Huang, Yasmeen Hitti, Guillaume Rabusseau, Reihaneh Rabbany
Abstract要約: 各スナップショットにおけるグラフ構造のラプラシアン行列のスペクトルを用いて低次元埋め込みを求めるラプラシアン異常検出(Laplacian Anomaly Detection,LAD)を提案する。合成実験では、LADは最先端の手法よりも優れている。また,UCIメッセージネットワーク,米国上院共同責任ネットワーク,カナダ紙幣投票ネットワークの3つの実動的ネットワーク上で,本手法の評価を行った。
参考スコア（独自算出の注目度）: 10.556288610354997
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Dynamic and temporal graphs are rich data structures that are used to model complex relationships between entities over time. In particular, anomaly detection in temporal graphs is crucial for many real world applications such as intrusion identification in network systems, detection of ecosystem disturbances and detection of epidemic outbreaks. In this paper, we focus on change point detection in dynamic graphs and address two main challenges associated with this problem: I) how to compare graph snapshots across time, II) how to capture temporal dependencies. To solve the above challenges, we propose Laplacian Anomaly Detection (LAD) which uses the spectrum of the Laplacian matrix of the graph structure at each snapshot to obtain low dimensional embeddings. LAD explicitly models short term and long term dependencies by applying two sliding windows. In synthetic experiments, LAD outperforms the state-of-the-art method. We also evaluate our method on three real dynamic networks: UCI message network, US senate co-sponsorship network and Canadian bill voting network. In all three datasets, we demonstrate that our method can more effectively identify anomalous time points according to significant real world events.
Abstract（参考訳）: 動的グラフと時間グラフは、時間とともにエンティティ間の複雑な関係をモデル化するために使用されるリッチなデータ構造である。特に、時間グラフにおける異常検出は、ネットワークシステムにおける侵入識別、生態系の乱れの検出、アウトブレイクの検出など、多くの現実世界の応用にとって重要である。本稿では,動的グラフにおける変化点検出に焦点をあて,この問題に関連する2つの主な課題に対処する。上記の課題を解決するために,各スナップショットにおけるグラフ構造のラプラシアン行列のスペクトルを用いて低次元埋め込みを求めるLaplacian Anomaly Detection (LAD)を提案する。 LADは2つのスライディングウィンドウを適用することで、短期および長期の依存関係を明示的にモデル化する。合成実験では、LADは最先端の手法よりも優れている。また, 本手法は, uciメッセージネットワーク, 上院共同支援ネットワーク, カナダ法案投票ネットワークの3つの実動的ネットワーク上で評価した。 3つのデータセットすべてにおいて,本手法は重要な実世界の事象に応じて異常な時点をより効果的に識別できることを実証する。

関連論文リスト

SLADE: Detecting Dynamic Anomalies in Edge Streams without Labels via Self-Supervised Learning [24.41015179377796]
本稿では,エッジストリーム中の動的異常を迅速に検出するためのSLADE(Self-supervised Learning for Anomaly Detection in Edge Streams)を提案する。現実世界の4つのデータセットにわたる動的異常検出では、SLADEは9つの競合する手法より優れている。
論文参考訳（メタデータ） (2024-02-19T08:19:26Z)
GLAD: Content-aware Dynamic Graphs For Log Anomaly Detection [49.9884374409624]
GLADは、システムログの異常を検出するように設計されたグラフベースのログ異常検出フレームワークである。システムログの異常を検出するために設計されたグラフベースのログ異常検出フレームワークであるGLADを紹介する。
論文参考訳（メタデータ） (2023-09-12T04:21:30Z)
Spatial-Temporal Graph Enhanced DETR Towards Multi-Frame 3D Object Detection [54.041049052843604]
STEMDは,多フレーム3Dオブジェクト検出のためのDETRのようなパラダイムを改良した,新しいエンドツーエンドフレームワークである。まず、オブジェクト間の空間的相互作用と複雑な時間的依存をモデル化するために、空間的時間的グラフアテンションネットワークを導入する。最後に、ネットワークが正のクエリと、ベストマッチしない他の非常に類似したクエリを区別することが課題となる。
論文参考訳（メタデータ） (2023-07-01T13:53:14Z)
Coupled Attention Networks for Multivariate Time Series Anomaly Detection [10.620044922371177]
多変量時系列データにおける異常検出のためのアテンションベースニューラルネットワークフレームワーク(CAN)を提案する。センサ間の関係と時間的依存関係をキャプチャするために、グローバルローカルグラフに基づく畳み込みニューラルネットワークを時間的自己認識モジュールに統合する。
論文参考訳（メタデータ） (2023-06-12T13:42:56Z)
Temporal Aggregation and Propagation Graph Neural Networks for Dynamic Representation [67.26422477327179]
時間グラフは連続時間を通してノード間の動的相互作用を示す。本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
論文参考訳（メタデータ） (2023-04-15T08:17:18Z)
Laplacian Change Point Detection for Single and Multi-view Dynamic Graphs [9.663142156296862]
動的グラフにおける変化点検出に着目し、この問題に関連する3つの主な課題に対処する。まず,各スナップショットにおけるグラフ構造の低次元埋め込みとして,グラフラプラシアンスペクトルを用いたラプラシアン異常検出(Laplacian Anomaly Detection,LAD)を提案する。次に,多視点グラフへのLADの単純かつ効果的な一般化であるMultiLADを提案する。
論文参考訳（メタデータ） (2023-02-02T16:30:43Z)
Evidential Temporal-aware Graph-based Social Event Detection via Dempster-Shafer Theory [76.4580340399321]
ETGNN(Evidential Temporal-aware Graph Neural Network)を提案する。ノードがテキストであり、エッジがそれぞれ複数の共有要素によって決定されるビュー固有グラフを構築する。ビュー固有の不確実性を考慮すると、すべてのビューの表現は、明らかなディープラーニング(EDL)ニューラルネットワークを介してマス関数に変換される。
論文参考訳（メタデータ） (2022-05-24T16:22:40Z)
Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
論文参考訳（メタデータ） (2021-11-25T08:45:14Z)
Anomaly Detection in Dynamic Graphs via Transformer [30.926884264054042]
DYnamic graph(TADDY)のためのトランスフォーマーを用いた新しい異常検出フレームワークを提案する。本フレームワークは,進化するグラフストリームにおいて,各ノードの構造的役割と時間的役割をよりよく表現するための包括的ノード符号化戦略を構築する。提案するTADDYフレームワークは,4つの実世界のデータセットに対して,最先端の手法よりも大きなマージンで優れている。
論文参考訳（メタデータ） (2021-06-18T02:27:19Z)
Learning Graph Structures with Transformer for Multivariate Time Series Anomaly Detection in IoT [11.480824844205864]
本研究は,グラフ構造とグラフ畳み込みを自動的に学習することにより,多変量時系列異常検出のための新しいフレームワークGTAを提案する。また,グラフノード間の異常情報フローをモデル化するために,影響伝播畳み込みという新しいグラフ畳み込みを考案した。 4つの公開異常検出ベンチマークの実験は、我々のアプローチが他の最先端技術よりも優れていることをさらに証明している。
論文参考訳（メタデータ） (2021-04-08T01:45:28Z)
Structural Temporal Graph Neural Networks for Anomaly Detection in Dynamic Graphs [54.13919050090926]
本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
論文参考訳（メタデータ） (2020-05-15T09:17:08Z)

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。