論文の概要: Deep Dual Support Vector Data Description for Anomaly Detection on Attributed Networks

• arxiv url: http://arxiv.org/abs/2109.00138v1
• Date: Wed, 1 Sep 2021 01:21:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-02 19:23:09.513600
• Title: Deep Dual Support Vector Data Description for Anomaly Detection on Attributed Networks
• Title（参考訳）: 分散ネットワークにおける異常検出のためのDeep Dual Support Vector Data Description
• Authors: Fengbin Zhang, Haoyi Fan, Ruidong Wang, Zuoyong Li, Tiancai Liang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 7.299729677753102
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Networks are ubiquitous in the real world such as social networks and communication networks, and anomaly detection on networks aims at finding nodes whose structural or attributed patterns deviate significantly from the majority of reference nodes. However, most of the traditional anomaly detection methods neglect the relation structure information among data points and therefore cannot effectively generalize to the graph structure data. In this paper, we propose an end-to-end model of Deep Dual Support Vector Data description based Autoencoder (Dual-SVDAE) for anomaly detection on attributed networks, which considers both the structure and attribute for attributed networks. Specifically, Dual-SVDAE consists of a structure autoencoder and an attribute autoencoder to learn the latent representation of the node in the structure space and attribute space respectively. Then, a dual-hypersphere learning mechanism is imposed on them to learn two hyperspheres of normal nodes from the structure and attribute perspectives respectively. Moreover, to achieve joint learning between the structure and attribute of the network, we fuse the structure embedding and attribute embedding as the final input of the feature decoder to generate the node attribute. Finally, abnormal nodes can be detected by measuring the distance of nodes to the learned center of each hypersphere in the latent structure space and attribute space respectively. Extensive experiments on the real-world attributed networks show that Dual-SVDAE consistently outperforms the state-of-the-arts, which demonstrates the effectiveness of the proposed method.
• Abstract（参考訳）: ネットワークは、ソーシャルネットワークや通信ネットワークなどの現実世界に広く存在しており、ネットワーク上の異常検出は、多くの参照ノードから構造パターンや属性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,従来の異常検出手法の多くはデータ点間の関係構造情報を無視しており,グラフ構造データに効果的に一般化することはできない。 本稿では,属性ネットワークの構造と属性の両方を考慮した属性ネットワーク上の異常検出のための,Deep Dual Support Vector Data description based Autoencoder(Dual-SVDAE)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。 そして、その構造と属性の観点から正常ノードの2つの超球を学習するために、双超球学習機構をそれらに与える。 さらに,ネットワークの構造と属性の合同学習を実現するために,特徴デコーダの最終的な入力として構造埋め込みと属性埋め込みを融合してノード属性を生成する。 最後に、各超球面の学習中心までの距離を潜時構造空間と属性空間でそれぞれ測定することにより、異常ノードを検出することができる。 実世界の属性ネットワークに関する大規模な実験により、Dual-SVDAEは一貫して最先端技術よりも優れており、提案手法の有効性が示されている。

関連論文リスト

• 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)
• Deep Embedded Clustering with Distribution Consistency Preservation for Attributed Networks [15.895606627146291]
  本研究では,属性ネットワークに対するエンドツーエンドの深層クラスタリングモデルを提案する。 グラフオートエンコーダとノード属性オートエンコーダを使用して、ノード表現とクラスタ割り当てをそれぞれ学習する。 提案手法は, 最先端手法と比較して, 性能が著しく向上する。
  論文  参考訳（メタデータ） (2022-05-28T02:35:34Z)
• Deep Attributed Network Representation Learning via Attribute Enhanced Neighborhood [10.954489956418191]
  帰結型ネットワーク表現学習は、ネットワーク構造と属性情報の統合によるノード埋め込みの学習を目標としている。 微視的構造と属性のセマンティクスを同時に捉えることは困難である。 ノード表現の堅牢性と有効性を向上させるために,属性強化近傍(DANRL-ANE)モデルを用いたディープアトリビュートネットワーク表現学習を提案する。
  論文  参考訳（メタデータ） (2021-04-12T07:03:16Z)
• 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)
• Dual-constrained Deep Semi-Supervised Coupled Factorization Network with Enriched Prior [80.5637175255349]
  本稿では、DS2CF-Netと呼ばれる、拡張された事前制約付きDual-Constrained Deep Semi-Supervised Coupled Factorization Networkを提案する。 隠れた深い特徴を抽出するために、DS2CF-Netは、深い構造と幾何学的な構造に制約のあるニューラルネットワークとしてモデル化される。 我々のネットワークは、表現学習とクラスタリングのための最先端の性能を得ることができる。
  論文  参考訳（メタデータ） (2020-09-08T13:10:21Z)
• Decoupled Variational Embedding for Signed Directed Networks [39.3449157396596]
  我々は,符号付き有向ネットワークにおける一階・高階トポロジを同時にキャプチャすることで,より代表的なノード埋め込みを学習することを提案する。 特に、可変自動符号化の観点から、符号付き有向ネットワーク上での表現学習問題を再構成する。 広範に使われている3つの実世界のデータセットに対して大規模な実験を行う。
  論文  参考訳（メタデータ） (2020-08-28T02:48:15Z)
• 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)
• BiDet: An Efficient Binarized Object Detector [96.19708396510894]
  本稿では,効率的な物体検出のためのバイナライズニューラルネットワークのBiDetを提案する。 我々のBiDetは、冗長除去による物体検出にバイナリニューラルネットワークの表現能力を完全に活用している。 我々の手法は、最先端のバイナリニューラルネットワークを大きなマージンで上回る。
  論文  参考訳（メタデータ） (2020-03-09T08:16:16Z)
• Cross-layer Feature Pyramid Network for Salient Object Detection [102.20031050972429]
  本稿では,有能な物体検出における進行的融合を改善するために,新しいクロス層特徴ピラミッドネットワークを提案する。 レイヤごとの分散機能は、他のすべてのレイヤからセマンティクスと健全な詳細の両方を同時に所有し、重要な情報の損失を減らします。
  論文  参考訳（メタデータ） (2020-02-25T14:06:27Z)
• AnomalyDAE: Dual autoencoder for anomaly detection on attributed networks [10.728863198129478]
  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。
  論文  参考訳（メタデータ） (2020-02-10T11:32:23Z)

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。