論文の概要: Anomalous Edge Detection in Edge Exchangeable Social Network Models
- arxiv url: http://arxiv.org/abs/2109.12727v1
- Date: Mon, 27 Sep 2021 00:02:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-28 15:20:30.873511
- Title: Anomalous Edge Detection in Edge Exchangeable Social Network Models
- Title(参考訳): エッジ交換可能なソーシャルネットワークモデルにおける異常エッジ検出
- Authors: Rui Luo, Buddhika Nettasinghe, Vikram Krishnamurthy
- Abstract要約: 我々は、異常なエッジと正常なエッジを区別するための基準として、エッジ交換性を利用する。
共形予測理論に基づく異常検知器を提案する。
- 参考スコア(独自算出の注目度): 19.605382256630534
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper studies detecting anomalous edges in directed graphs that model
social networks. We exploit edge exchangeability as a criterion for
distinguishing anomalous edges from normal edges. Then we present an anomaly
detector based on conformal prediction theory; this detector has a guaranteed
upper bound for false positive rate. In numerical experiments, we show that the
proposed algorithm achieves superior performance to baseline methods.
- Abstract(参考訳): 本稿では,ソーシャルネットワークをモデル化する有向グラフの異常エッジを検出する。
我々は,異常エッジと正常エッジを区別するための基準としてエッジ交換可能性を利用する。
次に、共形予測理論に基づく異常検出器を提案する。この検出器は偽陽性率の上限が保証されている。
数値実験では,提案アルゴリズムはベースライン法よりも優れた性能を示す。
関連論文リスト
- Revisiting Edge Perturbation for Graph Neural Network in Graph Data
Augmentation and Attack [58.440711902319855]
エッジ摂動はグラフ構造を変更する方法である。
グラフニューラルネットワーク(GNN)の性能への影響に基づき、2つの静脈に分類できる。
統一的な定式化を提案し、エッジ摂動法の2つのカテゴリ間の明確な境界を確立する。
論文 参考訳(メタデータ) (2024-03-10T15:50:04Z) - PhoGAD: Graph-based Anomaly Behavior Detection with Persistent Homology
Optimization [24.915797951829443]
PhoGADはグラフベースの異常検出フレームワークである。
永続的ホモロジー最適化を利用して行動境界を明らかにする。
侵入、トラフィック、スパムデータセットの実験により、PhoGADが検出有効性において最先端(SOTA)フレームワークのパフォーマンスを上回ったことが確認された。
論文 参考訳(メタデータ) (2024-01-19T08:13:10Z) - Revisiting Non-separable Binary Classification and its Applications in
Anomaly Detection [10.762114987475625]
XOR の線形分類が可能であることを示す。
我々は、SVMの目的に適合し、マージン内または外にあるデータを識別する等分性分離を提案する。
分類器はスムーズな近似でニューラルネットワークパイプラインに統合できる。
論文 参考訳(メタデータ) (2023-12-03T23:59:03Z) - The Treasure Beneath Multiple Annotations: An Uncertainty-aware Edge
Detector [70.43599299422813]
既存のメソッドは、単純な投票プロセスを使用して複数のアノテーションを融合し、エッジ固有の曖昧さを無視し、アノテータのラベル付けバイアスを無視する。
多様なアノテーションの主観性とあいまいさを調査するために不確実性を利用した新しい不確実性認識エッジ検出器(UAED)を提案する。
UAEDは複数のエッジ検出ベンチマークで一貫したパフォーマンスを実現している。
論文 参考訳(メタデータ) (2023-03-21T13:14:36Z) - Refined Edge Usage of Graph Neural Networks for Edge Prediction [51.06557652109059]
We propose a novel edge prediction paradigm named Edge-aware Message PassIng neuRal nEtworks (EMPIRE)。
まず,各エッジをトポロジや監督のためにのみ使用するエッジ分割手法を提案する。
監視エッジで接続されたペアと接続されていないペアの差を強調するために、さらにメッセージを重み付けして、その差を反映できる相対的なペアを強調します。
論文 参考訳(メタデータ) (2022-12-25T23:19:56Z) - 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) - A Contrario multi-scale anomaly detection method for industrial quality
inspection [0.2578242050187029]
コンボリューションにより得られた特徴写像に統計的解析を適用した画像中の異常を検出するためのコントロリオフレームワークを提案する。
提案手法はマルチスケールで完全に教師なしであり,様々なシナリオで異常を検出することができる。
この研究の最終的な目標は、自動車産業における革サンプルの微妙な欠陥を検出することであるが、同じアルゴリズムが公共の異常データセットで最先端の結果を達成することを示す。
論文 参考訳(メタデータ) (2022-05-03T17:08:36Z) - Out-of-Distribution Detection using Outlier Detection Methods [0.0]
アウト・オブ・ディストリビューション検出(OOD)は、ニューラルネットワークへの異常な入力を扱う。
我々は,OOD分野の特殊手法と同じくらい信頼性の高い異常な入力を検出するために,異常検出アルゴリズムを用いる。
ニューラルネットワークの適応は不要で、検出はモデルのソフトマックススコアに基づいて行われる。
論文 参考訳(メタデータ) (2021-08-18T16:05:53Z) - Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。
提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。
我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
論文 参考訳(メタデータ) (2021-08-01T14:33:17Z) - Offline detection of change-points in the mean for stationary graph
signals [55.98760097296213]
グラフ信号定常性の概念に依存するオフライン手法を提案する。
我々の検出器は、漸近的でない不等式オラクルの証拠を伴っている。
論文 参考訳(メタデータ) (2020-06-18T15:51:38Z) - Regularized Cycle Consistent Generative Adversarial Network for Anomaly
Detection [5.457279006229213]
本稿では, ニューラルネットワークを逆向きに訓練し, 異常なサンプルをよりよく認識するRCGAN(Regularized Cycle Consistent Generative Adversarial Network)を提案する。
実世界のデータと合成データの両方に対する実験結果から,我々のモデルが過去の異常検出ベンチマークにおいて有意かつ一貫した改善をもたらすことが示された。
論文 参考訳(メタデータ) (2020-01-18T03:35:05Z)
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。