Fugu-MT 論文翻訳(概要): Anonymized Network Sensing Graph Challenge

論文の概要: Anonymized Network Sensing Graph Challenge

arxiv url: http://arxiv.org/abs/2409.08115v1
Date: Thu, 12 Sep 2024 15:07:16 GMT
ステータス: 処理完了
システム内更新日: 2024-09-13 16:07:58.639566
Title: Anonymized Network Sensing Graph Challenge
Title（参考訳）: 匿名ネットワークセンシンググラフチャレンジ
Authors: Hayden Jananthan, Michael Jones, William Arcand, David Bestor, William Bergeron, Daniel Burrill, Aydin Buluc, Chansup Byun, Timothy Davis, Vijay Gadepally, Daniel Grant, Michael Houle, Matthew Hubbell, Piotr Luszczek, Peter Michaleas, Lauren Milechin, Chasen Milner, Guillermo Morales, Andrew Morris, Julie Mullen, Ritesh Patel, Alex Pentland, Sandeep Pisharody, Andrew Prout, Albert Reuther, Antonio Rosa, Gabriel Wachman, Charles Yee, Jeremy Kepner,
Abstract要約: 匿名化されたネットワークセンシンググラフチャレンジは、大規模でオープンなコミュニティベースのネットワーク保護アプローチの実現を目指している。この課題は、匿名化されたトラフィック行列の構築と分析を最適化するための新しいアプローチを強調する機会を提供する。 GraphBLASリファレンス実装が提供されているが、このグラフチャレンジではGraphBLASの使用は必要ない。
参考スコア（独自算出の注目度）: 6.896725738630828
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The MIT/IEEE/Amazon GraphChallenge encourages community approaches to developing new solutions for analyzing graphs and sparse data derived from social media, sensor feeds, and scientific data to discover relationships between events as they unfold in the field. The anonymized network sensing Graph Challenge seeks to enable large, open, community-based approaches to protecting networks. Many large-scale networking problems can only be solved with community access to very broad data sets with the highest regard for privacy and strong community buy-in. Such approaches often require community-based data sharing. In the broader networking community (commercial, federal, and academia) anonymized source-to-destination traffic matrices with standard data sharing agreements have emerged as a data product that can meet many of these requirements. This challenge provides an opportunity to highlight novel approaches for optimizing the construction and analysis of anonymized traffic matrices using over 100 billion network packets derived from the largest Internet telescope in the world (CAIDA). This challenge specifies the anonymization, construction, and analysis of these traffic matrices. A GraphBLAS reference implementation is provided, but the use of GraphBLAS is not required in this Graph Challenge. As with prior Graph Challenges the goal is to provide a well-defined context for demonstrating innovation. Graph Challenge participants are free to select (with accompanying explanation) the Graph Challenge elements that are appropriate for highlighting their innovations.
Abstract（参考訳）: MIT/IEEE/Amazon GraphChallengeは、ソーシャルメディア、センサーフィード、科学データから得られるグラフとスパースデータを分析し、フィールドで展開するイベント間の関係を検出する新しいソリューションを開発するためのコミュニティアプローチを奨励している。匿名化されたネットワークセンシンググラフチャレンジは、大規模でオープンなコミュニティベースのネットワーク保護アプローチの実現を目指している。多くの大規模ネットワーク問題は、プライバシーと強力なコミュニティ購入を最も尊重する、非常に広いデータセットへのコミュニティアクセスによってのみ解決できる。このようなアプローチは、しばしばコミュニティベースのデータ共有を必要とする。より広範なネットワークコミュニティ(商業、連邦、アカデミック)では、標準データ共有契約によるソース・ツー・デスティネーションのトラフィック行列が、これらの要求の多くを満たすデータ製品として出現している。この課題は、世界最大のインターネット望遠鏡(CAIDA)から得られた1000億以上のネットワークパケットを用いて、匿名化されたトラフィック行列の構築と分析を最適化するための新しいアプローチを強調する機会を提供する。この課題は、これらのトラフィック行列の匿名化、構築、分析である。 GraphBLASリファレンス実装が提供されているが、このグラフチャレンジではGraphBLASの使用は必要ない。以前のグラフチャレンジと同様に、ゴールはイノベーションを実証するための明確に定義されたコンテキストを提供することです。グラフチャレンジの参加者は、イノベーションを強調するのに適したグラフチャレンジの要素を(説明とともに)自由に選択できる。

関連論文リスト

JPEC: A Novel Graph Neural Network for Competitor Retrieval in Financial Knowledge Graphs [2.756147934836574]
本研究では,財務知識グラフから競合相手を識別するためのグラフ埋め込みの応用について検討する。グラフニューラルネットワークを用いた新しいグラフ埋め込みモデルJPEC(JPMorgan Proximity Embedding for Competitor Detection)を提案する。
論文参考訳（メタデータ） (2024-11-05T00:39:22Z)
Task-Oriented Communication for Graph Data: A Graph Information Bottleneck Approach [12.451324619122405]
本稿では,コミュニケーションのオーバーヘッドを低減しつつ,鍵情報を保持するタスク中心のより小さなサブグラフを抽出する手法を提案する。提案手法では,グラフニューラルネットワーク(GNN)とグラフ情報ボトルネック(GIB)の原理を用いて,伝達に適したコンパクトで情報的,堅牢なグラフ表現を生成する。
論文参考訳（メタデータ） (2024-09-04T14:01:56Z)
OpenGraph: Towards Open Graph Foundation Models [20.401374302429627]
グラフニューラルネットワーク(GNN)は、構造情報を符号化するための有望な技術として登場した。主な課題は、異なる性質を持つグラフデータを一般化することの難しさである。この課題に対処するために,OpenGraphと呼ばれる新しいグラフ基盤モデルを提案する。
論文参考訳（メタデータ） (2024-03-02T08:05:03Z)
Mastering Spatial Graph Prediction of Road Networks [18.321172168775472]
グラフエッジの列の追加をシミュレートするグラフベースのフレームワークを提案する。特に、衛星画像に関連する部分生成グラフが与えられた場合、RLエージェントは累積報酬を最大化する修正を通知する。
論文参考訳（メタデータ） (2022-10-03T11:26:09Z)
Model Inversion Attacks against Graph Neural Networks [65.35955643325038]
グラフニューラルネットワーク(GNN)に対するモデル反転攻撃について検討する。本稿では,プライベートトレーニンググラフデータを推測するためにGraphMIを提案する。実験の結果,このような防御効果は十分ではないことが示され,プライバシー攻撃に対するより高度な防御が求められている。
論文参考訳（メタデータ） (2022-09-16T09:13:43Z)
Graph Generative Model for Benchmarking Graph Neural Networks [73.11514658000547]
本稿では,プライバシ制御により実世界のグラフの分布を学習し,再現する新しいグラフ生成モデルを提案する。我々のモデルは、GNNモデルのベンチマークに効果的に使用できる大規模な実世界のグラフの、プライバシ制御された合成代用をうまく生成することができる。
論文参考訳（メタデータ） (2022-07-10T06:42:02Z)
GraphMI: Extracting Private Graph Data from Graph Neural Networks [59.05178231559796]
GNNを反転させてトレーニンググラフのプライベートグラフデータを抽出することを目的とした textbfGraph textbfModel textbfInversion attack (GraphMI) を提案する。具体的には,グラフ特徴の空間性と滑らかさを保ちながら,グラフエッジの離散性に対処する勾配モジュールを提案する。エッジ推論のためのグラフトポロジ、ノード属性、ターゲットモデルパラメータを効率的に活用するグラフ自動エンコーダモジュールを設計する。
論文参考訳（メタデータ） (2021-06-05T07:07:52Z)
A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文参考訳（メタデータ） (2021-05-22T07:05:48Z)
QD-GCN: Query-Driven Graph Convolutional Networks for Attributed Community Search [54.42038098426504]
QD-GCNは、ACS問題を解決するために、コミュニティ構造とノード属性を統一するエンドツーエンドフレームワークである。本稿では、QD-GCNが既存の属性付きコミュニティ検索アルゴリズムを効率性と有効性の両方で上回ることを示す。
論文参考訳（メタデータ） (2021-04-08T07:52:48Z)
Graph Representation Learning Network via Adaptive Sampling [4.996520403438455]
Graph Attention Network(GAT)とGraphSAGEは、グラフ構造化データを操作するニューラルネットワークアーキテクチャである。 GraphSAGEが提起した課題のひとつは、グラフ構造に基づいた隣の機能をスマートに組み合わせる方法だ。より効率的で,異なるエッジ型情報を組み込むことが可能な,これらの問題に対処する新しいアーキテクチャを提案する。
論文参考訳（メタデータ） (2020-06-08T14:36:20Z)
Adversarial Attack on Community Detection by Hiding Individuals [68.76889102470203]
我々はブラックボックス攻撃に焦点をあて、ディープグラフコミュニティ検出モデルの検出からターゲット個人を隠すことを目的としている。本稿では,制約付きグラフ生成器として動作するモジュールと,サロゲート型コミュニティ検出モデルとして動作するモジュールを交互に更新する反復学習フレームワークを提案する。
論文参考訳（メタデータ） (2020-01-22T09:50:04Z)

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。