論文の概要: FadMan: Federated Anomaly Detection across Multiple Attributed Networks
- arxiv url: http://arxiv.org/abs/2205.14196v1
- Date: Fri, 27 May 2022 18:54:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-31 14:15:51.901011
- Title: FadMan: Federated Anomaly Detection across Multiple Attributed Networks
- Title（参考訳）: FadMan: 複数の分散ネットワークにわたるフェデレーション異常検出
- Authors: Nannan Wu, Ning Zhang, Wenjun Wang, Lixin Fan, Qiang Yang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 21.995091542421285
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Anomaly subgraph detection has been widely used in various applications,
ranging from cyber attack in computer networks to malicious activities in
social networks. Despite an increasing need for federated anomaly detection
across multiple attributed networks, only a limited number of approaches are
available for this problem. Federated anomaly detection faces two major
challenges. One is that isolated data in most industries are restricted share
with others for data privacy and security. The other is most of the centralized
approaches training based on data integration. The main idea of federated
anomaly detection is aligning private anomalies from local data owners on the
public anomalies from the attributed network in the server through public
anomalies to federate local anomalies. In each private attributed network, the
detected anomaly subgraph is aligned with an anomaly subgraph in the public
attributed network. The significant public anomaly subgraphs are selected for
federated private anomalies while preventing local private data leakage. The
proposed algorithm FadMan is a vertical federated learning framework for public
node aligned with many private nodes of different features, and is validated on
two tasks correlated anomaly detection on multiple attributed networks and
anomaly detection on an attributeless network using five real-world datasets.
In the first scenario, FadMan outperforms competitive methods by at least 12%
accuracy at 10% noise level. In the second scenario, by analyzing the
distribution of abnormal nodes, we find that the nodes of traffic anomalies are
associated with the event of postgraduate entrance examination on the same day.
- Abstract（参考訳）: anomaly subgraph detectionは、コンピュータネットワークのサイバー攻撃からソーシャルネットワークの悪意のある活動まで、さまざま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。
フェデレート異常検出は2つの大きな課題に直面している。
ひとつは、ほとんどの業界における孤立したデータは、データプライバシとセキュリティのために他の業界との共有が制限されていることだ。
もう1つは、データ統合に基づく集中型アプローチトレーニングのほとんどです。
フェデレートされた異常検出の主な考え方は、ローカルデータ所有者からパブリックな異常に関するプライベートな異常を、パブリックな異常からフェデレートされたローカルな異常まで、サーバ内の属性ネットワークから整列させることである。
各プライベート属性ネットワークにおいて、検出された異常部分グラフは、パブリック属性ネットワーク内の異常部分グラフと整列される。
重要な公開異常部分グラフは、ローカルなプライベートデータ漏洩を防止しつつ、フェデレーションされたプライベートな異常に対して選択される。
提案するアルゴリズムfadmanは,多数のプライベートノードと異なる特徴を持つパブリックノードを対象とした垂直フェデレーション学習フレームワークであり,複数の属性付きネットワーク上での異常検出と5つの実世界データセットを用いた属性なしネットワークでの異常検出の2つのタスクで検証される。
最初のシナリオでは、fadmanは10%のノイズレベルにおいて少なくとも12%の精度で競合手法を上回る。
第2のシナリオでは,異常なノードの分布を解析した結果,同日における交通異常のノードが大学院生の入試のイベントと関連していることがわかった。
関連論文リスト
- Anomaly Detection by Context Contrasting [57.695202846009714]
異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。
近年の自己教師型学習の進歩は、この点において大きな可能性を秘めている。
我々はコンテキスト拡張を通じて学習するCon$を提案する。
論文 参考訳（メタデータ） (2024-05-29T07:59:06Z) - Alleviating Structural Distribution Shift in Graph Anomaly Detection [70.1022676681496]
グラフ異常検出(GAD)は二項分類の問題である。
ガロン神経ネットワーク(GNN)は、同胞性隣人からの正常の分類に有用である。
ヘテロ親水性隣人の影響を緩和し、不変にするための枠組みを提案する。
論文 参考訳（メタデータ） (2024-01-25T13:07:34Z) - 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) - 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) - 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) - 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) - Hop-Count Based Self-Supervised Anomaly Detection on Attributed Networks [8.608288231153304]
ローカル情報とグローバルコンテキスト情報の両方をモデル化して異常を検出するHCM(Hop-count based model)を提案する。
ホップカウントを異常識別に有効活用するため,ホップカウント予測を自己監視タスクとして用いることを提案する。
論文 参考訳（メタデータ） (2021-04-16T06:43:05Z) - 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) - Deep Weakly-supervised Anomaly Detection [118.55172352231381]
ペアワイズ関係予測ネットワーク(PReNet)は、ペアワイズ関係の特徴と異常スコアを学習する。
PReNetは、学習したペアの異常パターンに適合する見知らぬ異常を検出できる。
12の実世界のデータセットに対する実証的な結果から、PReNetは目に見えない異常や異常を検知する9つの競合する手法を著しく上回っている。
論文 参考訳（メタデータ） (2019-10-30T00:40:25Z)
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。