論文の概要: Heterogeneous Domain Adaptation for IoT Intrusion Detection: A Geometric
Graph Alignment Approach
- arxiv url: http://arxiv.org/abs/2301.09801v1
- Date: Tue, 24 Jan 2023 03:55:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-25 14:28:45.190925
- Title: Heterogeneous Domain Adaptation for IoT Intrusion Detection: A Geometric
Graph Alignment Approach
- Title（参考訳）: IoT侵入検出のための不均一領域適応:幾何学的グラフアライメントアプローチ
- Authors: Jiashu Wu, Hao Dai, Yang Wang, Kejiang Ye, Chengzhong Xu
- Abstract要約: データ不足は、IoT侵入検出(IID)に対処する際のデータ依存アルゴリズムのユーザビリティを妨げる
我々は、IIDドメインのより正確な侵入検出を容易にするために、データリッチネットワーク侵入検出(NID)ドメインを利用する。
- 参考スコア（独自算出の注目度）: 21.7683532972677
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Data scarcity hinders the usability of data-dependent algorithms when
tackling IoT intrusion detection (IID). To address this, we utilise the data
rich network intrusion detection (NID) domain to facilitate more accurate
intrusion detection for IID domains. In this paper, a Geometric Graph Alignment
(GGA) approach is leveraged to mask the geometric heterogeneities between
domains for better intrusion knowledge transfer. Specifically, each intrusion
domain is formulated as a graph where vertices and edges represent intrusion
categories and category-wise interrelationships, respectively. The overall
shape is preserved via a confused discriminator incapable to identify adjacency
matrices between different intrusion domain graphs. A rotation avoidance
mechanism and a centre point matching mechanism is used to avoid graph
misalignment due to rotation and symmetry, respectively. Besides, category-wise
semantic knowledge is transferred to act as vertex-level alignment. To exploit
the target data, a pseudo-label election mechanism that jointly considers
network prediction, geometric property and neighbourhood information is used to
produce fine-grained pseudo-label assignment. Upon aligning the intrusion
graphs geometrically from different granularities, the transferred intrusion
knowledge can boost IID performance. Comprehensive experiments on several
intrusion datasets demonstrate state-of-the-art performance of the GGA approach
and validate the usefulness of GGA constituting components.
- Abstract（参考訳）: データ不足は、IoT侵入検出(IID)に取り組む際のデータ依存アルゴリズムのユーザビリティを妨げる。
そこで我々は,データリッチネットワーク侵入検出(NID)ドメインを利用して,IIDドメインのより正確な侵入検出を行う。
本稿では,幾何グラフアライメント(gga)アプローチを用いて,ドメイン間の幾何学的異質性を隠蔽し,侵入知識伝達を改善する。
具体的には、各侵入領域は、頂点と辺がそれぞれ侵入圏とカテゴリワイド相互関係を表すグラフとして定式化される。
全体形状は、異なる侵入ドメイングラフ間の隣接行列を識別できない混乱した識別器を介して保存される。
回転回避機構と中心点マッチング機構は、それぞれ回転と対称性によるグラフのずれを避けるために用いられる。
さらに、カテゴリごとの意味知識は頂点レベルのアライメントとして振る舞う。
対象データを利用するために、ネットワーク予測、幾何特性、周辺情報を協調的に考慮した擬似ラベル選択機構を用いて、きめ細かい擬似ラベル割り当てを生成する。
侵入グラフを異なる粒度から幾何的に整列させると、転送された侵入知識はIDDの性能を高めることができる。
いくつかの侵入データセットに関する総合的な実験は、GGAアプローチの最先端性能を示し、GGA構成コンポーネントの有用性を検証する。
関連論文リスト
- Cross-Domain Graph Anomaly Detection via Anomaly-aware Contrastive
Alignment [22.769474986808113]
クロスドメイングラフ異常検出(CD-GAD)は、非競合対象グラフにおける異常ノードを検出する問題を記述する。
本稿では,GADのための新しいドメイン適応手法,すなわちAnomaly-aware ContrastivealignedmenT (ACT)を導入する。
ACTは10種類の最先端GAD法で検出性能を大幅に向上させる。
論文 参考訳（メタデータ） (2022-12-02T11:21:48Z) - The Devil is in the Conflict: Disentangled Information Graph Neural
Networks for Fraud Detection [17.254383007779616]
性能劣化は主にトポロジと属性の矛盾に起因すると我々は主張する。
注意機構を用いて2つの視点を適応的に融合する簡易かつ効果的な手法を提案する。
我々のモデルは、実世界の不正検出データセットで最先端のベースラインを大幅に上回ることができる。
論文 参考訳（メタデータ） (2022-10-22T08:21:49Z) - Interpolation-based Correlation Reduction Network for Semi-Supervised
Graph Learning [49.94816548023729]
補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。
提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。
この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
論文 参考訳（メタデータ） (2022-06-06T14:26:34Z) - Relation Matters: Foreground-aware Graph-based Relational Reasoning for
Domain Adaptive Object Detection [81.07378219410182]
我々は、FGRR(Fearground-aware Graph-based Reasoning)というドメインDのための新しい汎用フレームワークを提案する。
FGRRはグラフ構造を検出パイプラインに組み込んで、ドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化する。
実験の結果、提案したFGRRは4つのDomainDベンチマークの最先端よりも優れていることが示された。
論文 参考訳（メタデータ） (2022-06-06T05:12:48Z) - Graph Neural Network-based Early Bearing Fault Detection [0.18275108630751835]
グラフニューラルネットワークを用いた新しい故障検出手法を提案する。
AIと現実世界のメカニカルシステムの間に橋を架けている。
提案手法は, 通常の対象領域に混在する異常物体を検出する。
論文 参考訳（メタデータ） (2022-04-24T08:54:55Z) - Self-Supervised and Interpretable Anomaly Detection using Network
Transformers [1.0705399532413615]
本稿では,異常検出のためのNetwork Transformer(NeT)モデルを提案する。
NeTは、解釈性を改善するために、通信ネットワークのグラフ構造を組み込んでいる。
提案手法は, 産業制御システムにおける異常検出の精度を評価することによって検証された。
論文 参考訳（メタデータ） (2022-02-25T22:05:59Z) - Graph-based Solutions with Residuals for Intrusion Detection: the
Modified E-GraphSAGE and E-ResGAT Algorithms [0.0]
本稿では,E-GraphSAGEとE-ResGATalgorithmsの2つの新しいグラフによる侵入検出手法を提案する。
キーとなる考え方は、利用可能なグラフ情報を活用した残差学習をGNNに統合することである。
近年の4つの侵入検知データセットの広範囲な実験的評価は、我々のアプローチの優れた性能を示している。
論文 参考訳（メタデータ） (2021-11-26T16:51:37Z) - Information Obfuscation of Graph Neural Networks [96.8421624921384]
本稿では,グラフ構造化データを用いた学習において,情報難読化による機密属性保護の問題について検討する。
本稿では,全変動量とワッサーシュタイン距離を交互に学習することで,事前決定された機密属性を局所的にフィルタリングするフレームワークを提案する。
論文 参考訳（メタデータ） (2020-09-28T17:55:04Z) - Simultaneous Semantic Alignment Network for Heterogeneous Domain
Adaptation [67.37606333193357]
本稿では,カテゴリ間の相関を同時に利用し,各カテゴリ毎のセントロイドを整列させるために,aSimultaneous Semantic Alignment Network (SSAN)を提案する。
対象の擬似ラベルを利用することで、各カテゴリの特徴表現を整列させるために、ロバストな三重項中心のアライメント機構を明示的に適用する。
テキスト・ツー・イメージ、画像・画像・テキスト・ツー・テキストにわたる様々なHDAタスクの実験は、最先端のHDA手法に対するSSANの優位性を検証することに成功した。
論文 参考訳（メタデータ） (2020-08-04T16:20:37Z) - Graph Backdoor [53.70971502299977]
GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。
GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。
トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
論文 参考訳（メタデータ） (2020-06-21T19:45:30Z) - Graph Representation Learning via Graphical Mutual Information
Maximization [86.32278001019854]
本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。
我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
論文 参考訳（メタデータ） (2020-02-04T08:33:49Z)
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。