論文の概要: Few-shot Network Anomaly Detection via Cross-network Meta-learning
- arxiv url: http://arxiv.org/abs/2102.11165v1
- Date: Mon, 22 Feb 2021 16:42:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-23 23:07:44.389833
- Title: Few-shot Network Anomaly Detection via Cross-network Meta-learning
- Title（参考訳）: クロスネットワークメタラーニングによるフェーショットネットワーク異常検出
- Authors: Kaize Ding, Qinghai Zhou, Hanghang Tong, Huan Liu
- Abstract要約: GDN(Graph Deviation Networks)という新しいタイプのグラフニューラルネットワークを提案します。
GDNは少数のラベル付き異常を利用して、ネットワーク上の異常ノードと正常ノードの間に統計的に有意なずれを生じさせる。
提案したGDNを新しいクロスネットワークメタラーニングアルゴリズムで実装し,マルチショットネットワーク異常検出を実現した。
- 参考スコア（独自算出の注目度）: 45.8111239825361
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Network anomaly detection aims to find network elements (e.g., nodes, edges,
subgraphs) with significantly different behaviors from the vast majority. It
has a profound impact in a variety of applications ranging from finance,
healthcare to social network analysis. Due to the unbearable labeling cost,
existing methods are predominately developed in an unsupervised manner.
Nonetheless, the anomalies they identify may turn out to be data noises or
uninteresting data instances due to the lack of prior knowledge on the
anomalies of interest. Hence, it is critical to investigate and develop
few-shot learning for network anomaly detection. In real-world scenarios, few
labeled anomalies are also easy to be accessed on similar networks from the
same domain as of the target network, while most of the existing works omit to
leverage them and merely focus on a single network. Taking advantage of this
potential, in this work, we tackle the problem of few-shot network anomaly
detection by (1) proposing a new family of graph neural networks -- Graph
Deviation Networks (GDN) that can leverage a small number of labeled anomalies
for enforcing statistically significant deviations between abnormal and normal
nodes on a network; and (2) equipping the proposed GDN with a new cross-network
meta-learning algorithm to realize few-shot network anomaly detection by
transferring meta-knowledge from multiple auxiliary networks. Extensive
evaluations demonstrate the efficacy of the proposed approach on few-shot or
even one-shot network anomaly detection.
- Abstract（参考訳）: ネットワーク異常検出は、大多数とは大きく異なる振る舞いを持つネットワーク要素(ノード、エッジ、サブグラフなど)を見つけることを目的とする。
金融、ヘルスケア、ソーシャルネットワーク分析など、さまざまなアプリケーションに大きな影響を与えています。
ラベル付けコストが低いため、既存の手法は教師なしの方法で優先的に開発されている。
それでも、彼らが特定した異常は、関心の異常に関する事前の知識がないために、データノイズや興味のないデータインスタンスである可能性がある。
したがって,ネットワーク異常検出のためのマイナショット学習を調査,開発することが重要である。
現実のシナリオでは、ターゲットネットワークと同じドメインから類似のネットワークにアクセスしやすいラベル付き異常も少なく、既存の作業の多くはそれらを活用せず、単に単一のネットワークに集中するだけである。
Taking advantage of this potential, in this work, we tackle the problem of few-shot network anomaly detection by (1) proposing a new family of graph neural networks -- Graph Deviation Networks (GDN) that can leverage a small number of labeled anomalies for enforcing statistically significant deviations between abnormal and normal nodes on a network; and (2) equipping the proposed GDN with a new cross-network meta-learning algorithm to realize few-shot network anomaly detection by transferring meta-knowledge from multiple auxiliary networks.
広範に評価した結果,提案手法が数発あるいは1発のネットワーク異常検出に有効であることが示された。
関連論文リスト
- SCALA: Sparsification-based Contrastive Learning for Anomaly Detection
on Attributed Networks [19.09775548036214]
属性付きネットワーク上の異常検出は、他の多数ノードと大きく異なる振る舞いを持つノードを見つけることを目的としている。
本稿では,ネットワークの埋め込み品質向上を目的とした,属性付きネットワーク上での異常検出のための新しいコントラスト学習フレームワークである textbfSCALA を提案する。
5つのベンチマーク実世界のデータセットで大規模な実験が行われ、結果はSCALAがすべてのベースライン手法を大幅に上回っていることを示している。
論文 参考訳（メタデータ） (2024-01-03T08:51:18Z) - Detecting Contextual Network Anomalies with Graph Neural Networks [4.671648049111933]
ネットワークトラフィック計測におけるコンテキスト異常検出として,この問題を定式化する。
本稿では,GNNをベースとした独自のソリューションを提案し,起点決定フロー上のトラフィック異常を検出する。
その結果, 本法で検出された異常は, ベースラインが検出した異常と非常に相補的であることがわかった。
論文 参考訳（メタデータ） (2023-12-11T12:45:43Z) - Leveraging a Probabilistic PCA Model to Understand the Multivariate
Statistical Network Monitoring Framework for Network Security Anomaly
Detection [64.1680666036655]
確率的生成モデルの観点からPCAに基づく異常検出手法を再検討する。
2つの異なるデータセットを用いて数学的モデルを評価した。
論文 参考訳（メタデータ） (2023-02-02T13:41:18Z) - 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) - Anomaly Detection in Multiplex Dynamic Networks: from Blockchain
Security to Brain Disease Prediction [0.0]
ANOMULYは、多重化動的ネットワークのための教師なしエッジ異常検出フレームワークである。
我々は、ANOMULYが、脳疾患や障害を示す可能性のある異常な脳活動を理解するための新しいツールとして、どのように使われるかを示す。
論文 参考訳（メタデータ） (2022-11-15T18:25:40Z) - FadMan: Federated Anomaly Detection across Multiple Attributed Networks [21.995091542421285]
異常なサブグラフ検出は、コンピュータネットワークにおけるサイバー攻撃からソーシャルネットワークにおける悪意ある活動まで、様々なアプリケーションで広く使われている。
複数の属性ネットワークにまたがるフェデレートされた異常検出の必要性が高まっているにもかかわらず、この問題に対するアプローチは限られている。
Faddmanは,複数の属性ネットワーク上の異常検出と,5つの実世界のデータセットを用いた属性ネットワーク上の異常検出という2つのタスクで検証されている。
論文 参考訳（メタデータ） (2022-05-27T18:54:53Z) - Self-Supervised and Interpretable Anomaly Detection using Network
Transformers [1.0705399532413615]
本稿では,異常検出のためのNetwork Transformer(NeT)モデルを提案する。
NeTは、解釈性を改善するために、通信ネットワークのグラフ構造を組み込んでいる。
提案手法は, 産業制御システムにおける異常検出の精度を評価することによって検証された。
論文 参考訳（メタデータ） (2022-02-25T22:05:59Z) - Unveiling Anomalous Edges and Nominal Connectivity of Attributed
Networks [53.56901624204265]
本研究では、相補的な強さを持つ2つの異なる定式化を用いて、属性グラフの異常なエッジを明らかにする。
まず、グラフデータマトリックスを低ランクとスパースコンポーネントに分解することで、パフォーマンスを著しく向上させる。
第2は、乱れのないグラフを頑健に復元することにより、第1のスコープを広げ、異常識別性能を高める。
論文 参考訳（メタデータ） (2021-04-17T20:00:40Z) - 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) - Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。
GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
論文 参考訳（メタデータ） (2020-06-23T04:13:23Z)
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。