論文の概要: PhoGAD: Graph-based Anomaly Behavior Detection with Persistent Homology
Optimization
- arxiv url: http://arxiv.org/abs/2401.10547v1
- Date: Fri, 19 Jan 2024 08:13:10 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-22 16:32:23.026078
- Title: PhoGAD: Graph-based Anomaly Behavior Detection with Persistent Homology
Optimization
- Title（参考訳）: PhoGAD:永続ホモロジー最適化を用いたグラフベース異常検出
- Authors: Ziqi Yuan, Haoyi Zhou, Tianyu Chen, Jianxin Li
- Abstract要約: PhoGADはグラフベースの異常検出フレームワークである。
永続的ホモロジー最適化を利用して行動境界を明らかにする。
侵入、トラフィック、スパムデータセットの実験により、PhoGADが検出有効性において最先端(SOTA)フレームワークのパフォーマンスを上回ったことが確認された。
- 参考スコア（独自算出の注目度）: 24.915797951829443
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A multitude of toxic online behaviors, ranging from network attacks to
anonymous traffic and spam, have severely disrupted the smooth operation of
networks. Due to the inherent sender-receiver nature of network behaviors,
graph-based frameworks are commonly used for detecting anomalous behaviors.
However, in real-world scenarios, the boundary between normal and anomalous
behaviors tends to be ambiguous. The local heterophily of graphs interferes
with the detection, and existing methods based on nodes or edges introduce
unwanted noise into representation results, thereby impacting the effectiveness
of detection. To address these issues, we propose PhoGAD, a graph-based anomaly
detection framework. PhoGAD leverages persistent homology optimization to
clarify behavioral boundaries. Building upon this, the weights of adjacent
edges are designed to mitigate the effects of local heterophily. Subsequently,
to tackle the noise problem, we conduct a formal analysis and propose a
disentangled representation-based explicit embedding method, ultimately
achieving anomaly behavior detection. Experiments on intrusion, traffic, and
spam datasets verify that PhoGAD has surpassed the performance of
state-of-the-art (SOTA) frameworks in detection efficacy. Notably, PhoGAD
demonstrates robust detection even with diminished anomaly proportions,
highlighting its applicability to real-world scenarios. The analysis of
persistent homology demonstrates its effectiveness in capturing the topological
structure formed by normal edge features. Additionally, ablation experiments
validate the effectiveness of the innovative mechanisms integrated within
PhoGAD.
- Abstract（参考訳）: ネットワーク攻撃から匿名のトラフィック、スパムまで、多くの有害なオンライン行動がネットワークのスムーズな運用を著しく妨害している。
ネットワークの振る舞いに固有の送受信機能があるため、グラフベースのフレームワークは異常な振る舞いを検出するために一般的に使用される。
しかし、現実のシナリオでは、通常の振る舞いと異常な振る舞いの境界は曖昧である。
グラフの局所的ヘテロフィリは検出を妨害し、ノードやエッジに基づく既存の手法は不要なノイズを表現結果に導入し、検出の有効性に影響を与える。
これらの問題に対処するため,グラフベースの異常検出フレームワークであるPhoGADを提案する。
PhoGADは永続的ホモロジー最適化を利用して行動境界を明らかにする。
これに基づいて、隣接するエッジの重みは局所的なヘテロフィリーの影響を軽減するように設計されている。
その後,ノイズ問題に取り組むため,形式的解析を行い,不連続表現に基づく明示的埋め込み法を提案し,最終的に異常行動検出を実現する。
侵入、トラフィック、スパムデータセットの実験により、PhoGADが検出有効性において最先端(SOTA)フレームワークのパフォーマンスを上回ったことが確認された。
特に、PhoGADは異常比が小さくても堅牢な検出を示し、現実世界のシナリオへの適用性を強調している。
永続ホモロジーの解析は、通常のエッジ特徴によって形成されるトポロジ構造を捕捉する効果を示す。
さらに、アブレーション実験はphogadに統合された革新的なメカニズムの有効性を検証する。
関連論文リスト
- Extreme Value Modelling of Feature Residuals for Anomaly Detection in Dynamic Graphs [14.8066991252587]
グラフの時間的シーケンスにおける異常の検出は、トランスポートネットワークにおける事故の検出や、コンピュータネットワークにおけるサイバー攻撃といった分野に適用することができる。
既存の異常グラフ検出方法は、高い偽陽性率や可変サイズのグラフの扱いの難しさ、非自明な時間ダイナミクスなど、複数の制限に悩まされることがある。
そこで本稿では,時間的依存を時系列解析によって時間的依存を明示的にモデル化し,残差を用いて依存を除去する手法を提案する。
論文 参考訳（メタデータ） (2024-10-08T05:00:53Z) - uTRAND: Unsupervised Anomaly Detection in Traffic Trajectories [5.6328191854587395]
画素空間から意味トポロジ的領域へ異常軌道予測の問題をシフトさせる uTRAND というフレームワークを提案する。
実世界で収集された異常軌跡のデータセットにおいて,uTRANDが他の最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-04-19T08:46:33Z) - HGAttack: Transferable Heterogeneous Graph Adversarial Attack [63.35560741500611]
ヘテロジニアスグラフニューラルネットワーク(HGNN)は、Webやeコマースなどの分野でのパフォーマンスでますます認識されている。
本稿ではヘテロジニアスグラフに対する最初の専用グレーボックス回避手法であるHGAttackを紹介する。
論文 参考訳（メタデータ） (2024-01-18T12:47:13Z) - Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。
さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。
提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文 参考訳（メタデータ） (2023-11-27T13:14:06Z) - BOURNE: Bootstrapped Self-supervised Learning Framework for Unified
Graph Anomaly Detection [50.26074811655596]
自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。
ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。
BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
論文 参考訳（メタデータ） (2023-07-28T00:44:57Z) - Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。
GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文 参考訳（メタデータ） (2023-02-06T16:38:43Z) - 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) - 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) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。
我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。
製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
論文 参考訳（メタデータ） (2022-06-23T14:16:30Z) - Representation Learning for Content-Sensitive Anomaly Detection in
Industrial Networks [0.0]
本論文では、生のネットワークトラフィックの時空間的側面を教師なしかつプロトコルに依存しない方法で学習する枠組みを提案する。
学習された表現は、その後の異常検出の結果に与える影響を測定するために使用される。
論文 参考訳（メタデータ） (2022-04-20T09:22:41Z)
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。