論文の概要: GraphRPM: Risk Pattern Mining on Industrial Large Attributed Graphs

• arxiv url: http://arxiv.org/abs/2411.06878v1
• Date: Mon, 11 Nov 2024 11:20:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:10:50.283079
• Title: GraphRPM: Risk Pattern Mining on Industrial Large Attributed Graphs
• Title（参考訳）: GraphRPM: 大規模分散グラフのリスクパターンマイニング
• Authors: Sheng Tian, Xintan Zeng, Yifei Hu, Baokun Wang, Yongchao Liu, Yue Jin, Changhua Meng, Chuntao Hong, Tianyi Zhang, Weiqiang Wang,
• Abstract要約: 我々は,大規模属性グラフ上の産業用並列分散リスクパターンマイニングフレームワークであるGraphRPMを紹介する。 このフレームワークは、並列グラフ計算のための最適化された演算と並行して、エッジを包含した新しいグラフ同型ネットワークを組み込んでいる。
• 参考スコア（独自算出の注目度）: 33.131074213867464
• License:
• Abstract: Graph-based patterns are extensively employed and favored by practitioners within industrial companies due to their capacity to represent the behavioral attributes and topological relationships among users, thereby offering enhanced interpretability in comparison to black-box models commonly utilized for classification and recognition tasks. For instance, within the scenario of transaction risk management, a graph pattern that is characteristic of a particular risk category can be readily employed to discern transactions fraught with risk, delineate networks of criminal activity, or investigate the methodologies employed by fraudsters. Nonetheless, graph data in industrial settings is often characterized by its massive scale, encompassing data sets with millions or even billions of nodes, making the manual extraction of graph patterns not only labor-intensive but also necessitating specialized knowledge in particular domains of risk. Moreover, existing methodologies for mining graph patterns encounter significant obstacles when tasked with analyzing large-scale attributed graphs. In this work, we introduce GraphRPM, an industry-purpose parallel and distributed risk pattern mining framework on large attributed graphs. The framework incorporates a novel edge-involved graph isomorphism network alongside optimized operations for parallel graph computation, which collectively contribute to a considerable reduction in computational complexity and resource expenditure. Moreover, the intelligent filtration of efficacious risky graph patterns is facilitated by the proposed evaluation metrics. Comprehensive experimental evaluations conducted on real-world datasets of varying sizes substantiate the capability of GraphRPM to adeptly address the challenges inherent in mining patterns from large-scale industrial attributed graphs, thereby underscoring its substantial value for industrial deployment.
• Abstract（参考訳）: グラフベースのパターンは、ユーザ間の行動特性やトポロジカルな関係を表現する能力から、企業内の実践者によって広く採用され、好まれる。 例えば、取引リスク管理のシナリオにおいて、特定のリスクカテゴリの特徴となるグラフパターンは、リスクによって引き起こされた取引の識別、犯罪行為のネットワークのデライン化、詐欺師が採用した方法論の調査に容易に利用することができる。 それでも、産業環境でのグラフデータは、数百万から数十億のノードからなるデータセットを包含し、労働集約的なだけでなく、特定のリスク領域における専門知識を必要とするグラフパターンを手作業で抽出する、という大きなスケールによって特徴づけられることが多い。 さらに,大規模属性グラフ解析に係わる場合,既存のマイニング手法は重大な障害に遭遇する。 本稿では,大規模属性グラフ上の産業用並列分散リスクパターンマイニングフレームワークであるGraphRPMを紹介する。 このフレームワークは、並列グラフ計算のための最適化された演算と並行して、エッジを包含した新しいグラフ同型ネットワークを組み込んでおり、計算複雑性とリソース支出の大幅な削減に寄与している。 さらに,提案した評価指標により,高能率なリスクグラフパターンのインテリジェントなフィルタリングを容易にする。 様々な大きさの実世界のデータセットで実施された総合的な実験的評価は、大規模産業関連グラフからの採掘パターンに固有の課題を積極的に解決し、産業展開におけるその実質的な価値を裏付けるものである。

関連論文リスト

• KnowGraph: Knowledge-Enabled Anomaly Detection via Logical Reasoning on Graph Data [13.510494408303536]
  KnowGraphは、グラフベースの異常検出を強化するために、ドメイン知識とデータ駆動学習を統合する。 テストでは、KnowGraphはトランスダクティブとインダクティブの両方で、最先端のベースラインを一貫して上回っている。 その結果は、高レベルのグラフベースのセキュリティアプリケーションのためのデータ駆動モデルにドメイン知識を統合する可能性を強調している。
  論文  参考訳（メタデータ） (2024-10-10T21:53:33Z)
• Towards Graph Prompt Learning: A Survey and Beyond [38.55555996765227]
  大規模"事前訓練と迅速な学習"パラダイムは、顕著な適応性を示している。 この調査は、この分野における100以上の関連する研究を分類し、一般的な設計原則と最新の応用を要約する。
  論文  参考訳（メタデータ） (2024-08-26T06:36:42Z)
• FairGen: Towards Fair Graph Generation [76.34239875010381]
  フェアネスを考慮したグラフ生成モデルFairGenを提案する。 我々のモデルはラベルインフォームドグラフ生成モジュールと公正表現学習モジュールを共同で訓練する。 Webベースのグラフを含む7つの実世界のデータセットの実験結果は、FairGenが最先端のグラフ生成モデルと同等のパフォーマンスを得ることを示した。
  論文  参考訳（メタデータ） (2023-03-30T23:30:42Z)
• 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)
• Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
  グラフ組み込み数ショット学習に関する包括的な研究を紹介します。 本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。 提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
  論文  参考訳（メタデータ） (2021-02-14T05:28:13Z)
• Understanding graph embedding methods and their applications [1.14219428942199]
  グラフ埋め込み技術は、高次元スパースグラフを低次元密度連続ベクトル空間に変換するのに有効である。 生成した非線形かつ高情報性の高いグラフ埋め込みは、異なる下流グラフ解析タスクに便利に利用することができる。
  論文  参考訳（メタデータ） (2020-12-15T00:30:22Z)
• 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)
• 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。