論文の概要: GCN-based Multi-task Representation Learning for Anomaly Detection in Attributed Networks

• arxiv url: http://arxiv.org/abs/2207.03688v1
• Date: Fri, 8 Jul 2022 04:54:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-11 12:58:27.544701
• Title: GCN-based Multi-task Representation Learning for Anomaly Detection in Attributed Networks
• Title（参考訳）: 帰属ネットワークにおける異常検出のためのgcnに基づくマルチタスク表現学習
• Authors: Venus Haghighi, Behnaz Soltani, Adnan Mahmood, Quan Z. Sheng, Jian Yang
• Abstract要約: 近年、金融、ネットワークセキュリティ、医療など幅広い分野に応用されているため、属性付きネットワークにおける異常検出が注目されている。 従来のアプローチは、異常検出の問題を解決するために、属性付きネットワークの設定には適用できない。 マルチタスク学習を用いた異常検出の新しいアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 31.565081319419225
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomaly detection in attributed networks has received a considerable attention in recent years due to its applications in a wide range of domains such as finance, network security, and medicine. Traditional approaches cannot be adopted on attributed networks' settings to solve the problem of anomaly detection. The main limitation of such approaches is that they inherently ignore the relational information between data features. With a rapid explosion in deep learning- and graph neural networks-based techniques, spotting rare objects on attributed networks has significantly stepped forward owing to the potentials of deep techniques in extracting complex relationships. In this paper, we propose a new architecture on anomaly detection. The main goal of designing such an architecture is to utilize multi-task learning which would enhance the detection performance. Multi-task learning-based anomaly detection is still in its infancy and only a few studies in the existing literature have catered to the same. We incorporate both community detection and multi-view representation learning techniques for extracting distinct and complementary information from attributed networks and subsequently fuse the captured information for achieving a better detection result. The mutual collaboration between two main components employed in this architecture, i.e., community-specific learning and multi-view representation learning, exhibits a promising solution to reach more effective results.
• Abstract（参考訳）: 近年では、金融、ネットワークセキュリティ、医療など、幅広い分野に応用されているため、属性付きネットワークにおける異常検出が注目されている。 従来のアプローチは、異常検出の問題を解決するために、属性付きネットワークの設定には適用できない。 このようなアプローチの主な制限は、データ特徴間の関係情報を本質的に無視することです。 ディープラーニングとグラフニューラルネットに基づく技術が急速に爆発する中、複雑な関係を抽出するための深い技術の可能性から、帰属するネットワーク上でレアオブジェクトを見つけることが大幅に進んでいる。 本稿では,異常検出のための新しいアーキテクチャを提案する。 このようなアーキテクチャを設計する主な目的は、検出性能を高めるマルチタスク学習を利用することである。 マルチタスク学習に基づく異常検出はまだ初期段階にあり、既存の文献における研究はごくわずかである。 コミュニティ検出とマルチビュー表現学習を併用して,属性付きネットワークから個別かつ補完的な情報を抽出し,得られた情報を融合してより優れた検出結果を得る。 このアーキテクチャで使用される2つの主要コンポーネント、すなわちコミュニティ固有の学習と多視点表現学習の相互協力は、より効果的な結果を得るための有望な解決策を示す。

関連論文リスト

• Intrusion Detection: A Deep Learning Approach [0.0]
  本稿では,畳み込みニューラルネットワーク(CNN)モジュールとLong Short Term Memory(LSTM)モジュール,SVM(Support Vector Machine)分類機能を備えた侵入検出システムを提案する。 この分析に続いて、従来の機械学習技術と深層学習手法を比較し、さらに探索可能な領域を強調した。
  論文  参考訳（メタデータ） (2023-06-13T07:58:40Z)
• Generative and Contrastive Self-Supervised Learning for Graph Anomaly Detection [14.631674952942207]
  グラフ異常検出のための自己教師付き学習法(SL-GAD)を提案する。 提案手法では,対象ノードに基づいて異なるコンテキストサブグラフを構築し,生成属性回帰とマルチビューコントラスト学習という2つのモジュールを用いて異常検出を行う。 提案手法は,6つのベンチマークデータセットに対して広範な実験を行い,提案手法が最先端の手法よりも大きなマージンで優れていることを示した。
  論文  参考訳（メタデータ） (2021-08-23T02:15:21Z)
• A Comprehensive Survey on Community Detection with Deep Learning [93.40332347374712]
  コミュニティは、ネットワーク内の他のコミュニティと異なるメンバーの特徴と接続を明らかにする。 この調査は、最先端の手法の様々なカテゴリをカバーする新しい分類法を考案し、提案する。 ディープニューラルネットワーク(Deep Neural Network)は、畳み込みネットワーク(convolutional network)、グラフアテンションネットワーク( graph attention network)、生成的敵ネットワーク(generative adversarial network)、オートエンコーダ(autoencoder)に分けられる。
  論文  参考訳（メタデータ） (2021-05-26T14:37:07Z)
• A neural anisotropic view of underspecification in deep learning [60.119023683371736]
  ニューラルネットが問題の未特定化を扱う方法が,データ表現に大きく依存していることを示す。 深層学習におけるアーキテクチャ的インダクティブバイアスの理解は,これらのシステムの公平性,堅牢性,一般化に対処する上で基本的であることを強調した。
  論文  参考訳（メタデータ） (2021-04-29T14:31:09Z)
• 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)
• A Survey of Community Detection Approaches: From Statistical Modeling to Deep Learning [95.27249880156256]
  ネットワークコミュニティファイリング手法の統一アーキテクチャを開発し,提案する。 既存の手法を確率的グラフィカルモデルとディープラーニングという2つのカテゴリに分けた新しい分類法を提案する。 フィールドの課題の議論と今後の研究の方向性の提案を締めくくります。
  論文  参考訳（メタデータ） (2021-01-03T02:32:45Z)
• Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
  本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。 接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。 この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
  論文  参考訳（メタデータ） (2020-08-19T04:53:31Z)
• Deep Learning for Community Detection: Progress, Challenges and Opportunities [79.26787486888549]
  この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。 この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。
  論文  参考訳（メタデータ） (2020-05-17T11:22:11Z)

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。