論文の概要: Anomaly Detection in Multiplex Dynamic Networks: from Blockchain Security to Brain Disease Prediction

• arxiv url: http://arxiv.org/abs/2211.08378v1
• Date: Tue, 15 Nov 2022 18:25:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-16 14:09:20.574727
• Title: Anomaly Detection in Multiplex Dynamic Networks: from Blockchain Security to Brain Disease Prediction
• Title（参考訳）: 多重ダイナミックネットワークにおける異常検出:ブロックチェーンセキュリティから脳疾患予測へ
• Authors: Ali Behrouz and Margo Seltzer
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The problem of identifying anomalies in dynamic networks is a fundamental task with a wide range of applications. However, it raises critical challenges due to the complex nature of anomalies, lack of ground truth knowledge, and complex and dynamic interactions in the network. Most existing approaches usually study networks with a single type of connection between vertices, while in many applications interactions between objects vary, yielding multiplex networks. We propose ANOMULY, a general, unsupervised edge anomaly detection framework for multiplex dynamic networks. In each relation type, ANOMULY sees node embeddings at different GNN layers as hierarchical node states and employs a GRU cell to capture temporal properties of the network and update node embeddings over time. We then add an attention mechanism that incorporates information across different types of relations. Our case study on brain networks shows how this approach could be employed as a new tool to understand abnormal brain activity that might reveal a brain disease or disorder. Extensive experiments on nine real-world datasets demonstrate that ANOMULY achieves state-of-the-art performance.
• Abstract（参考訳）: 動的ネットワークにおける異常を特定する問題は、幅広いアプリケーションで基本的なタスクである。 しかし、これは異常の複雑な性質、基礎となる真実の知識の欠如、ネットワーク内の複雑で動的な相互作用によって重要な課題を提起する。 既存のアプローチのほとんどは、頂点間の単一のタイプの接続を持つネットワークを研究するが、多くのアプリケーションではオブジェクト間の相互作用が異なるため、多重ネットワークとなる。 マルチプレックス動的ネットワークのための汎用的,教師なしエッジ異常検出フレームワークANOMULYを提案する。 各関係型において、ANOMULYは異なるGNN層におけるノードの埋め込みを階層的なノード状態と見なし、ネットワークの時間的特性を捉え、時間とともにノードの埋め込みを更新するためにGRUセルを使用する。 次に、異なる種類の関係にまたがる情報を組み込むアテンションメカニズムを追加します。 脳ネットワークのケーススタディでは、この手法が、脳の疾患や障害を露呈する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している。 9つの実世界のデータセットに対する大規模な実験は、ANOMULYが最先端のパフォーマンスを達成することを示す。

関連論文リスト

• 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)
• Fault Detection in Telecom Networks using Bi-level Federated Graph Neural Networks [0.0]
  テレコムネットワークの複雑さと多様性は、メンテナンスと運用の努力に負担を掛けている。 厳格なセキュリティとプライバシ要件は、モバイルオペレータがネットワークデータを活用する上での課題である。 本稿では,二値グラフニューラルネットワークの異常検出と診断モデルを提案する。
  論文  参考訳（メタデータ） (2023-11-24T13:23:54Z)
• 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)
• Deep Architecture Connectivity Matters for Its Convergence: A Fine-Grained Analysis [94.64007376939735]
  我々は、勾配降下訓練におけるディープニューラルネットワーク(DNN)の収束に対する接続パターンの影響を理論的に特徴づける。 接続パターンの単純なフィルタリングによって、評価対象のモデルの数を削減できることが示される。
  論文  参考訳（メタデータ） (2022-05-11T17:43:54Z)
• AnomMAN: Detect Anomaly on Multi-view Attributed Networks [11.331030689825258]
  マルチビュー分散ネットワーク上での異常検出のためのグラフ畳み込みに基づくフレームワークAnomMANを提案する。 実世界のデータセットの実験によると、AnomMANは最先端のモデルよりも優れています。
  論文  参考訳（メタデータ） (2022-01-08T12:49:27Z)
• 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)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)
• 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)
• F-FADE: Frequency Factorization for Anomaly Detection in Edge Streams [53.70940420595329]
  エッジストリームにおける異常検出のための新しいアプローチであるF-FADEを提案する。 ノード対間の相互作用の周波数の時間進化分布を効率的にモデル化するために、新しい周波数分解技術を用いる。 F-FADEは、一定メモリしか必要とせず、時間的および構造的な変化を伴う幅広い種類の異常をオンラインストリーミング環境で処理できる。
  論文  参考訳（メタデータ） (2020-11-09T19:55:40Z)
• Exploiting Heterogeneity in Operational Neural Networks by Synaptic Plasticity [87.32169414230822]
  最近提案されたネットワークモデルであるオペレーショナルニューラルネットワーク(ONN)は、従来の畳み込みニューラルネットワーク(CNN)を一般化することができる。 本研究では, 生体ニューロンにおける本質的な学習理論を示すSynaptic Plasticityパラダイムに基づいて, ネットワークの隠蔽ニューロンに対する最強演算子集合の探索に焦点をあてる。 高難易度問題に対する実験結果から、神経細胞や層が少なくても、GISベースのONNよりも優れた学習性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-08-21T19:03:23Z)

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。