論文の概要: Suspicious Massive Registration Detection via Dynamic Heterogeneous Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2012.10831v1
• Date: Sun, 20 Dec 2020 02:39:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-01 04:37:44.780388
• Title: Suspicious Massive Registration Detection via Dynamic Heterogeneous Graph Neural Networks
• Title（参考訳）: 動的不均一グラフニューラルネットワークによる疑わしい大量登録検出
• Authors: Susie Xi Rao, Shuai Zhang, Zhichao Han, Zitao Zhang, Wei Min, Mo Cheng, Yinan Shan, Yang Zhao, Ce Zhang
• Abstract要約: 大規模なアカウント登録は、eコマース企業のリスク管理に懸念をもたらしている。 疑わしい大規模登録(DHGReg)をキャプチャするための動的不均一グラフニューラルネットワークフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 18.55016273447452
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Massive account registration has raised concerns on risk management in e-commerce companies, especially when registration increases rapidly within a short time frame. To monitor these registrations constantly and minimize the potential loss they might incur, detecting massive registration and predicting their riskiness are necessary. In this paper, we propose a Dynamic Heterogeneous Graph Neural Network framework to capture suspicious massive registrations (DHGReg). We first construct a dynamic heterogeneous graph from the registration data, which is composed of a structural subgraph and a temporal subgraph. Then, we design an efficient architecture to predict suspicious/benign accounts. Our proposed model outperforms the baseline models and is computationally efficient in processing a dynamic heterogeneous graph constructed from a real-world dataset. In practice, the DHGReg framework would benefit the detection of suspicious registration behaviors at an early stage.
• Abstract（参考訳）: 大規模なアカウント登録は、eコマース企業のリスク管理、特に短期間で登録数が急増した場合の懸念を招いた。 これらの登録を継続的に監視し、発生する可能性のある損失を最小限に抑えるためには、大規模な登録の検出とリスクの予測が必要である。 本稿では,疑わしい大規模登録(dhgreg)をキャプチャする動的ヘテロジニアスグラフニューラルネットワークフレームワークを提案する。 まず,構造的部分グラフと時間的部分グラフからなる登録データから動的不均一グラフを構築する。 そして、疑わしい/良心的なアカウントを予測する効率的なアーキテクチャを設計する。 提案モデルはベースラインモデルより優れ,実世界のデータセットから構築した動的不均一グラフの処理に計算効率が高い。 実際には、DHGRegフレームワークは、早期に不審な登録行動を検出するのに役立つだろう。

関連論文リスト

• ORCHID: Streaming Threat Detection over Versioned Provenance Graphs [11.783370157959968]
  本稿では,リアルタイムイベントストリーム上でプロセスレベルの脅威を詳細に検出する新しいProv-IDSであるORCHIDを提案する。 ORCHIDは、バージョン付き前処理グラフのユニークな不変特性を利用して、グラフ全体を逐次RNNモデルに反復的に埋め込む。 我々は、DARPA TCを含む4つの公開データセット上でORCHIDを評価し、ORCHIDが競合する分類性能を提供できることを示す。
  論文  参考訳（メタデータ） (2024-08-23T19:44:40Z)
• DyG-Mamba: Continuous State Space Modeling on Dynamic Graphs [59.434893231950205]
  動的グラフ学習は、現実世界のシステムにおける進化の法則を明らかにすることを目的としている。 動的グラフ学習のための新しい連続状態空間モデルDyG-Mambaを提案する。 我々はDyG-Mambaがほとんどのデータセットで最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-08-13T15:21:46Z)
• SIG: Efficient Self-Interpretable Graph Neural Network for Continuous-time Dynamic Graphs [34.269958289295516]
  我々は,これらの予測の因果的説明を同時に提供しながら,動的グラフ内の将来のリンクを予測することを目的としている。 これらの課題に対処するため、我々は新たな因果推論モデル、すなわち独立因果推定モデル(ICCM)を提案する。 提案手法は, リンク予測精度, 説明精度, 特徴量に対するロバスト性など, 既存の手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-05-29T13:09:33Z)
• Marlin: Knowledge-Driven Analysis of Provenance Graphs for Efficient and Robust Detection of Cyber Attacks [32.77246634664381]
  本稿では,リアルタイムのプロファイランスグラフアライメントによるサイバー攻撃検出にアプローチしたMarlinを紹介する。 Marlinは毎秒137Kのイベントを処理でき、120のサブグラフと31の攻撃を正確に識別できる。
  論文  参考訳（メタデータ） (2024-03-19T08:37:13Z)
• 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)
• Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting [60.03169701753824]
  時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。 提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
  論文  参考訳（メタデータ） (2023-05-16T11:38:19Z)
• Robust Multiview Point Cloud Registration with Reliable Pose Graph Initialization and History Reweighting [63.95845583460312]
  本稿では,ポイントクラウドのマルチビュー登録のための新しい手法を提案する。 提案手法は,3DMatchデータセットの登録リコール率を11%,ScanNetデータセットの登録エラー率を13%向上させる。
  論文  参考訳（メタデータ） (2023-04-02T06:43:40Z)
• USER: Unsupervised Structural Entropy-based Robust Graph Neural Network [22.322867182077182]
  教師なしグラフニューラルネットワーク(GNN)は、入力グラフデータの固有のランダム性に対して脆弱である。 構造エントロピーに基づくグラフニューラルネットワークの教師なしロバストバージョンであるUSERを提案する。 ランダムノイズ下でのクラスタリングとリンク予測タスク、および3つのデータセットに対するメタアタックの実験は、USERのベンチマーク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） (2023-02-12T10:32:12Z)
• Graph Neural Networks in Real-Time Fraud Detection with Lambda Architecture [14.435076554010985]
  まず,グラフ構築のためのDDS (Directed Dynamic Snapshot) リンク設計と,グラフニューラルネットワークの埋め込みによる効果的な推論のためのLambda Neural Networks (LNN) アーキテクチャを提案する。 実験の結果,グラフ上のLNNはベースラインモデルを大幅に上回り,リアルタイム不正検出には計算効率がよいことがわかった。
  論文  参考訳（メタデータ） (2021-10-09T12:57:18Z)
• Graph Backdoor [53.70971502299977]
  GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。 GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。 トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
  論文  参考訳（メタデータ） (2020-06-21T19:45:30Z)
• 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。