論文の概要: Social Network User Profiling for Anomaly Detection Based on Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2503.19380v1
• Date: Tue, 25 Mar 2025 06:16:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-26 16:54:33.987599
• Title: Social Network User Profiling for Anomaly Detection Based on Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークを用いた異常検出のためのソーシャルネットワークユーザプロファイリング
• Authors: Yiwei Zhang,
• Abstract要約: 本研究では,グラフニューラルネットワーク(GNN)を用いたソーシャルネットワークユーザ画像のリスク価格異常検出手法を提案する。 ソーシャルネットワークデータモデリングにおける従来の手法の限界を考えると、グラフオートエンコーダ(GAE)とグラフアテンションネットワーク(GAT)を組み合わせる。 その結果,提案手法は,AUC,F1スコア,精度,リコールにおいて最高の性能を達成し,その有効性を検証した。
• 参考スコア（独自算出の注目度）: 10.209300340234924
• License:
• Abstract: This study proposes a risk pricing anomaly detection method for social network user portraits based on graph neural networks (GNNs), aiming to improve the ability to identify abnormal users in social network environments. In view of the limitations of traditional methods in social network data modeling, this paper combines graph autoencoders (GAEs) and graph attention networks (GATs) to achieve accurate detection of abnormal users through dynamic aggregation of neighbor features and reconstruction error evaluation. The Facebook Page-Page Network dataset is used in the experiment and compared with VAE, GNN, Transformer and GAE. The results show that the proposed method achieves the best performance in AUC, F1-score, Precision and Recall, verifying its effectiveness. In addition, this paper explores the computational efficiency of the model in large-scale data and looks forward to combining self-supervised learning, federated learning, and other technologies in the future to improve the robustness and privacy protection of risk assessment. The research results can provide efficient anomaly detection solutions for financial risk control, social security management, and other fields.
• Abstract（参考訳）: 本研究は,グラフニューラルネットワーク(GNN)を用いたソーシャルネットワークユーザポートレートのリスク価格異常検出手法を提案する。 本稿では,グラフオートエンコーダ(GAE)とグラフアテンションネットワーク(GAT)を組み合わせて,隣接する特徴の動的集約と再構成誤差評価によって異常ユーザを正確に検出する手法を提案する。 Facebook Page-Page Networkデータセットは実験で使用され、VAE、GNN、Transformer、GAEと比較される。 その結果,提案手法は,AUC,F1スコア,精度,リコールにおいて最高の性能を達成し,その有効性を検証した。 さらに, 大規模データにおけるモデルの計算効率について検討し, 自己教師付き学習, フェデレーション学習, その他の技術を組み合わせて, リスクアセスメントの堅牢性とプライバシ保護の改善を期待する。 研究結果は、金融リスク管理、社会保障管理、その他の分野の効率的な異常検出ソリューションを提供することができる。

関連論文リスト

• Enhancing Robustness of Graph Neural Networks through p-Laplacian [2.3942577670144423]
  グラフニューラルネットワーク(GNN)は、様々なアプリケーションにおいて大きな可能性を秘めている。 訓練中(中毒発作)またはテスト中(回避攻撃)に、データ上で敵の攻撃が起こり得る 本稿では,重み付き p-Laplacian をベースとした計算効率のよいフレームワーク,すなわち pLapGNN を提案する。
  論文  参考訳（メタデータ） (2024-09-27T18:51:05Z)
• Malicious Internet Entity Detection Using Local Graph Inference [0.4893345190925178]
  大規模ネットワークにおける悪意ある行動の検出は、コンピュータセキュリティにおける機械学習にとって難しい問題である。 現在のサイバーセクト対応アプローチはまだ表現力に制限があるが、他の領域で成功した手法は大量のデータに対してうまくスケールしない。 本研究では,ネットワークエンティティ間の相互作用を異種グラフとしてモデル化するグラフデータから学習する新たな視点を提案する。
  論文  参考訳（メタデータ） (2024-08-06T16:35:25Z)
• Uncertainty in Graph Neural Networks: A Survey [47.785948021510535]
  グラフニューラルネットワーク(GNN)は、様々な現実世界のアプリケーションで広く使われている。 しかし、多様な情報源から生じるGNNの予測的不確実性は、不安定で誤った予測につながる可能性がある。 本調査は,不確実性の観点からGNNの概要を概観することを目的としている。
  論文  参考訳（メタデータ） (2024-03-11T21:54:52Z)
• 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)
• Leveraging a Probabilistic PCA Model to Understand the Multivariate Statistical Network Monitoring Framework for Network Security Anomaly Detection [64.1680666036655]
  確率的生成モデルの観点からPCAに基づく異常検出手法を再検討する。 2つの異なるデータセットを用いて数学的モデルを評価した。
  論文  参考訳（メタデータ） (2023-02-02T13:41:18Z)
• Influencer Detection with Dynamic Graph Neural Networks [56.1837101824783]
  インフルエンサー検出のための動的グラフニューラルネットワーク(GNN)の構成について検討する。 GNNにおける深層多面的注意と時間特性の符号化が性能を著しく向上させることを示す。
  論文  参考訳（メタデータ） (2022-11-15T13:00:25Z)
• Anomal-E: A Self-Supervised Network Intrusion Detection System based on Graph Neural Networks [0.0]
  本稿では,自己教師型ネットワーク侵入と異常検出のためのグラフニューラルネットワーク(GNN)の応用について検討する。 GNNは、グラフ構造を学習に組み込んだグラフベースのデータのためのディープラーニングアプローチである。 本稿では, エッジ特徴とグラフトポロジ構造を利用したGNNによる侵入・異常検出手法であるAnomal-Eを提案する。
  論文  参考訳（メタデータ） (2022-07-14T10:59:39Z)
• 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)
• Relational Graph Neural Networks for Fraud Detection in a Super-App environment [53.561797148529664]
  スーパーアプリケーションの金融サービスにおける不正行為防止のための関係グラフ畳み込みネットワーク手法の枠組みを提案する。 我々は,グラフニューラルネットワークの解釈可能性アルゴリズムを用いて,ユーザの分類タスクに対する最も重要な関係を判定する。 以上の結果から,Super-Appの代替データと高接続性で得られるインタラクションを利用するモデルには,付加価値があることが示唆された。
  論文  参考訳（メタデータ） (2021-07-29T00:02:06Z)
• 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)

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。