論文の概要: Graph similarity learning for change-point detection in dynamic networks

• arxiv url: http://arxiv.org/abs/2203.15470v1
• Date: Tue, 29 Mar 2022 12:16:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-30 13:57:48.958354
• Title: Graph similarity learning for change-point detection in dynamic networks
• Title（参考訳）: 動的ネットワークにおける変化点検出のためのグラフ類似性学習
• Authors: Deborah Sulem, Henry Kenlay, Mihai Cucuringu, Xiaowen Dong
• Abstract要約: グラフスナップショットの時間的シーケンスである動的ネットワークについて考察する。 このタスクは、しばしばネットワーク変更点検出と呼ばれ、不正検出や物理モーションモニタリングといった多くの応用がある。 我々は、特定のネットワーク領域に適応し、変更を遅延なくローカライズできるオンラインネットワーク変更点検出法を設計する。
• 参考スコア（独自算出の注目度）: 15.694880385913534
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamic networks are ubiquitous for modelling sequential graph-structured data, e.g., brain connectome, population flows and messages exchanges. In this work, we consider dynamic networks that are temporal sequences of graph snapshots, and aim at detecting abrupt changes in their structure. This task is often termed network change-point detection and has numerous applications, such as fraud detection or physical motion monitoring. Leveraging a graph neural network model, we design a method to perform online network change-point detection that can adapt to the specific network domain and localise changes with no delay. The main novelty of our method is to use a siamese graph neural network architecture for learning a data-driven graph similarity function, which allows to effectively compare the current graph and its recent history. Importantly, our method does not require prior knowledge on the network generative distribution and is agnostic to the type of change-points; moreover, it can be applied to a large variety of networks, that include for instance edge weights and node attributes. We show on synthetic and real data that our method enjoys a number of benefits: it is able to learn an adequate graph similarity function for performing online network change-point detection in diverse types of change-point settings, and requires a shorter data history to detect changes than most existing state-of-the-art baselines.
• Abstract（参考訳）: 動的ネットワークは、例えば脳コネクトーム、人口フロー、メッセージ交換など、逐次グラフ構造化データをモデリングするためにユビキタスである。 本研究では,グラフスナップショットの時間系列である動的ネットワークを考察し,その構造の変化を検出することを目的とした。 このタスクはしばしばネットワーク変更点検出と呼ばれ、不正検出や物理モーションモニタリングといった多くの応用がある。 グラフニューラルネットワークモデルを利用して、特定のネットワークドメインに適応し、遅延なく変更をローカライズできるオンラインネットワーク変更点検出手法を設計する。 本手法の主な特徴は,データ駆動型グラフ類似性関数の学習にシアムグラフニューラルネットワークアーキテクチャを用いることで,現在のグラフとその最近の歴史を効果的に比較することである。 重要なのは,ネットワーク生成分布の事前知識を必要とせず,変更点の種類によらず,エッジウェイトやノード属性など,多種多様なネットワークに適用可能であることである。 様々なタイプの変更点設定において、オンラインネットワーク変更点検出を行うのに適切なグラフ類似性関数を学習でき、既存の最先端ベースラインよりも変化を検出するのに、より短いデータ履歴が必要である。

関連論文リスト

• GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
  グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。 本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-17T13:04:23Z)
• BS-GAT Behavior Similarity Based Graph Attention Network for Network Intrusion Detection [20.287285893803244]
  本稿では,グラフアテンションネットワークを用いた行動類似性(BS-GAT)に基づくグラフニューラルネットワークアルゴリズムを提案する。 その結果,提案手法は有効であり,既存のソリューションと比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2023-04-07T09:42:07Z)
• Latent Evolution Model for Change Point Detection in Time-varying Networks [11.442584422147368]
  グラフベースの変化点検出(CPD)は、時間変化ネットワークにおける異常グラフの発見において、不可能な役割を担っている。 実際には、ソーシャルネットワーク、トラフィックネットワーク、レーティングネットワークといった現実世界のグラフは、時間とともに常に進化している。 潜在進化モデルを用いた動的グラフの新しいCPD法を提案する。
  論文  参考訳（メタデータ） (2022-12-17T07:39:35Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• Dynamic Community Detection via Adversarial Temporal Graph Representation Learning [17.487265170798974]
  本研究では,脳ネットワークデータの少数のサンプルから動的コミュニティを検出するために,対角時間グラフ表現学習フレームワークを提案する。 さらに、このフレームワークは、時間グラフ表現の学習をガイドし、測定可能なモジュラリティ損失を最適化して、コミュニティのモジュラリティを最大化するために、敵対的なトレーニングを採用している。
  論文  参考訳（メタデータ） (2022-06-29T08:44:22Z)
• Temporal Graph Network Embedding with Causal Anonymous Walks Representations [54.05212871508062]
  本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。 評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。 欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T15:39:52Z)
• Mutually exciting point process graphs for modelling dynamic networks [0.0]
  相互励起点過程グラフ(MEG)と呼ばれる動的ネットワークのための新しいモデルのクラスが提案される。 MEGは、Dyadicマーク付きポイントプロセスのためのスケーラブルなネットワークワイド統計モデルであり、異常検出に使用できる。 このモデルはシミュレーショングラフと実世界のコンピュータネットワークデータセット上でテストされ、優れた性能を示す。
  論文  参考訳（メタデータ） (2021-02-11T10:14:55Z)
• Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
  動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。 ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
  論文  参考訳（メタデータ） (2020-10-02T16:50:26Z)
• 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)
• Analyzing Neural Networks Based on Random Graphs [77.34726150561087]
  様々なタイプのランダムグラフに対応するアーキテクチャを用いて,ニューラルネットワークの大規模評価を行う。 古典的な数値グラフ不変量は、それ自体が最良のネットワークを選び出すことができない。 また、主に短距離接続を持つネットワークは、多くの長距離接続が可能なネットワークよりも性能が良いことも見出した。
  論文  参考訳（メタデータ） (2020-02-19T11:04:49Z)

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。