論文の概要: AnomMAN: Detect Anomaly on Multi-view Attributed Networks

• arxiv url: http://arxiv.org/abs/2201.02822v1
• Date: Sat, 8 Jan 2022 12:49:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-11 16:48:14.124638
• Title: AnomMAN: Detect Anomaly on Multi-view Attributed Networks
• Title（参考訳）: AnomMAN: マルチビュー分散ネットワーク上の異常を検出する
• Authors: Ling-Hao Chen, He Li, Wenhao Yang
• Abstract要約: 我々はtextbfMulti-view textbfAttributed textbfNetworks 上で textbfAnomaly を検出するための Graph Convolution ベースのフレームワーク AnomMAN を提案する。 実世界のデータセットの実験によると、AnomMANは最先端のモデルと提案したモデルの2つのバリエーションより優れています。
• 参考スコア（独自算出の注目度）: 7.1556448011936835
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection on attributed networks is widely used in web shopping, financial transactions, communication networks, and so on. However, most work tries to detect anomalies on attributed networks only considering a single interaction action, which cannot consider rich kinds of interaction actions in multi-view attributed networks. In fact, it remains a challenging task to consider all different kinds of interaction actions uniformly and detect anomalous instances in multi-view attributed networks. In this paper, we propose a Graph Convolution based framework, AnomMAN, to detect \textbf{Anom}aly on \textbf{M}ulti-view \textbf{A}ttributed \textbf{N}etworks. To consider the attributes and all interaction actions jointly, we use the attention mechanism to define the importance of all views in networks. Besides, the Graph Convolution operation cannot be simply applied in anomaly detection tasks on account of its low-pass characteristic. Therefore, AnomMAN uses a graph auto-encoder module to overcome the shortcoming and transform it to our strength. According to experiments on real-world datasets, AnomMAN outperforms state-of-the-art models and two variants of our proposed model. Besides, the Accuracy@50 indicator of AnomMAN reaches 1.000 on the dataset, which shows that the top 50 anomalous instances detected by AnomMAN are all anomalous ones.
• Abstract（参考訳）: 属性ネットワーク上の異常検出は、Webショッピング、金融取引、通信ネットワークなどで広く利用されている。 しかし、ほとんどの研究は、単一のインタラクションアクションのみを考慮すると、属性ネットワーク上の異常を検知しようとするが、多視点属性ネットワークにおけるリッチなインタラクションアクションは考慮できない。 実際、すべての異なる種類のインタラクションアクションを均一に考慮し、マルチビュー帰属ネットワークで異常なインスタンスを検出することは、依然として困難なタスクである。 本稿では, グラフ畳み込みに基づくフレームワークである anomman を提案し, \textbf{m}ulti-view \textbf{a}ttributed \textbf{n}etworks 上で \textbf{anom}aly を検出する。 属性と全てのインタラクション動作を協調的に考慮するために、ネットワーク内のすべてのビューの重要性を定義するためにアテンションメカニズムを使用する。 さらに、グラフ畳み込み操作は、その低パス特性を考慮した異常検出タスクに簡単に適用できない。 そのため、AnomMANはグラフ自動エンコーダモジュールを使用して、その欠点を克服し、それを我々の強みに変換します。 実世界のデータセットの実験によると、AnomMANは最先端のモデルと提案したモデルの2つのバリエーションより優れている。 さらに、データセット上でAccuracy@50インジケータが10,000に達し、AnomMANによって検出された上位50の異常インスタンスがすべて異常であることを示している。

関連論文リスト

• Network Anomaly Traffic Detection via Multi-view Feature Fusion [3.4590834781477864]
  ネットワーク異常トラフィック検出のためのマルチビュー・フィーチャー・フュージョン(MuFF)手法を提案する。 MuFFは、時間的および対話的な視点に基づいて、ネットワークトラフィックにおけるパケットの時間的および対話的な関係をモデル化する。 6つの実トラフィックデータセットの実験により、MuFFはネットワーク異常なトラフィック検出において優れた性能を示す。
  論文  参考訳（メタデータ） (2024-09-12T13:04:40Z)
• Multilinear Operator Networks [60.7432588386185]
  ポリノミアルネットワーク(Polynomial Networks)は、アクティベーション関数を必要としないモデルのクラスである。 マルチリニア演算子のみに依存するMONetを提案する。
  論文  参考訳（メタデータ） (2024-01-31T16:52:19Z)
• 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)
• AHEAD: A Triple Attention Based Heterogeneous Graph Anomaly Detection Approach [23.096589854894884]
  AHEADは、エンコーダ-デコーダフレームワークに基づく教師なしグラフ異常検出アプローチである。 実世界の異種情報ネットワークにおけるAHEADの優位性を示す。
  論文  参考訳（メタデータ） (2022-08-17T10:08:28Z)
• Multiplex Heterogeneous Graph Convolutional Network [25.494590588212542]
  異種ネットワーク埋め込みのための多重異種グラフ畳み込みネットワーク(MHGCN)を提案する。 我々のMHGCNは、多重異種ネットワークにおいて、異なる長さの有用な異種メタパス相互作用を自動的に学習することができる。
  論文  参考訳（メタデータ） (2022-08-12T06:17:54Z)
• FuNNscope: Visual microscope for interactively exploring the loss landscape of fully connected neural networks [77.34726150561087]
  ニューラルネットワークの高次元景観特性を探索する方法を示す。 我々は、小さなニューラルネットワークの観測結果をより複雑なシステムに一般化する。 インタラクティブダッシュボードは、いくつかのアプリケーションネットワークを開放する。
  論文  参考訳（メタデータ） (2022-04-09T16:41:53Z)
• 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)
• Few-shot Network Anomaly Detection via Cross-network Meta-learning [45.8111239825361]
  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。
  論文  参考訳（メタデータ） (2021-02-22T16:42:37Z)
• A Multi-Semantic Metapath Model for Large Scale Heterogeneous Network Representation Learning [52.83948119677194]
  大規模不均一表現学習のためのマルチセマンティックメタパス(MSM)モデルを提案する。 具体的には,マルチセマンティックなメタパスに基づくランダムウォークを生成し,不均衡な分布を扱うヘテロジニアスな近傍を構築する。 提案するフレームワークに対して,AmazonとAlibabaの2つの挑戦的なデータセットに対して,体系的な評価を行う。
  論文  参考訳（メタデータ） (2020-07-19T22:50:20Z)

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。