論文の概要: CyberGFM: Graph Foundation Models for Lateral Movement Detection in Enterprise Networks

• arxiv url: http://arxiv.org/abs/2601.05988v1
• Date: Fri, 09 Jan 2026 18:08:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-12 17:41:50.066344
• Title: CyberGFM: Graph Foundation Models for Lateral Movement Detection in Enterprise Networks
• Title（参考訳）: 企業ネットワークにおける横移動検出のためのグラフ基盤モデルCyberGFM
• Authors: Isaiah J. King, Bernardo Trindade, Benjamin Bowman, H. Howie Huang,
• Abstract要約: ランダムウォークにおけるトークンの欠落をコンピュータネットワークで予測するために,グラフ基礎モデルをトレーニングする方法を示す。 グラフ基盤モデルはリンク予測のために微調整され、ネットワーク異常検出器として使用される。 この新しいアプローチにより、ランダムウォークベースの手法の効率性と、深層学習手法の豊かな意味表現を組み合わせることができる。
• 参考スコア（独自算出の注目度）: 6.820252809996371
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Representing networks as a graph and training a link prediction model using benign connections is an effective method of anomaly-based intrusion detection. Existing works using this technique have shown great success using temporal graph neural networks and skip-gram-based approaches on random walks. However, random walk-based approaches are unable to incorporate rich edge data, while the GNN-based approaches require large amounts of memory to train. In this work, we propose extending the original insight from random walk-based skip-grams--that random walks through a graph are analogous to sentences in a corpus--to the more modern transformer-based foundation models. Using language models that take advantage of GPU optimizations, we can quickly train a graph foundation model to predict missing tokens in random walks through a network of computers. The graph foundation model is then finetuned for link prediction and used as a network anomaly detector. This new approach allows us to combine the efficiency of random walk-based methods and the rich semantic representation of deep learning methods. This system, which we call CyberGFM, achieved state-of-the-art results on three widely used network anomaly detection datasets, delivering a up to 2$\times$ improvement in average precision. We found that CyberGFM outperforms all prior works in unsupervised link prediction for network anomaly detection, using the same number of parameters, and with equal or better efficiency than the previous best approaches.
• Abstract（参考訳）: ネットワークをグラフとして表現し、良性接続を用いたリンク予測モデルを訓練することは、異常な侵入検出の有効な方法である。 この手法を用いた既存の研究は、時間グラフニューラルネットワークとランダムウォークにおけるスキップグラムに基づくアプローチを用いて大きな成功を収めている。 しかし、ランダムウォークベースのアプローチはリッチエッジデータを組み込むことはできないが、GNNベースのアプローチではトレーニングに大量のメモリを必要とする。 本研究では,ランダムウォークに基づくスキップグラムから,コーパス内の文に類似したグラフのランダムウォークを,より現代的なトランスフォーマーベース基礎モデルへ拡張することを提案する。 GPU最適化を利用する言語モデルを使用することで,コンピュータネットワーク内をランダムウォークする際のトークン不足を予測するために,グラフ基盤モデルを迅速にトレーニングすることができる。 グラフ基盤モデルはリンク予測のために微調整され、ネットワーク異常検出器として使用される。 この新しいアプローチにより、ランダムウォークベースの手法の効率性と、深層学習手法の豊かな意味表現を組み合わせることができる。 このシステムはCyberGFMと呼ばれ、広く使われている3つのネットワーク異常検出データセットに対して最先端の結果を達成し、平均精度を最大2$\times$改善した。 我々はCyberGFMが、ネットワーク異常検出のための教師なしリンク予測において、同じ数のパラメータを使用し、以前のベストアプローチと同等かそれ以上の効率で、以前の全ての作業より優れていたことを発見した。

関連論文リスト

• Graph Signal Generative Diffusion Models [74.75869068073577]
  拡散過程を用いたグラフ信号生成のためのU字型エンコーダ-デコーダグラフニューラルネットワーク(U-GNN)を提案する。 アーキテクチャは、エンコーダとデコーダパス間の接続をスキップすることで、異なる解像度でノード機能を学ぶ。 株価の確率予測における拡散モデルの有効性を実証する。
  論文  参考訳（メタデータ） (2025-09-21T21:57:27Z)
• Anticipatory Fall Detection in Humans with Hybrid Directed Graph Neural Networks and Long Short-Term Memory [12.677218248209494]
  本稿では,DGNN(Dynamic Graph Neural Networks)とLSTM(Long Short-Term Memory)ネットワークを組み合わせたハイブリッドモデルを提案する。 提案手法では,提案モデルに対する入力として,ビデオシーケンスから抽出したリアルタイム骨格特徴を用いる。 LSTMベースのネットワークは、次の時間のステップで人間の動きを予測し、転倒の早期発見を可能にする。
  論文  参考訳（メタデータ） (2025-09-01T12:56:31Z)
• Ensemble Quadratic Assignment Network for Graph Matching [52.20001802006391]
  グラフマッチングはコンピュータビジョンやパターン認識において一般的に用いられる技法である。 最近のデータ駆動型アプローチは、グラフマッチングの精度を著しく改善した。 データ駆動手法と従来の手法の利点を組み合わせたグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2024-03-11T06:34:05Z)
• Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
  不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。 最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。 我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
  論文  参考訳（メタデータ） (2023-10-23T01:25:44Z)
• A fast topological approach for predicting anomalies in time-varying graphs [0.0]
  トポロジカルデータ解析(TDA)からの永続化ダイアグラム(PD)は、点間距離が明確に定義されたデータ形状記述法として人気がある。 本稿では,グラフデータから形状情報を抽出する計算効率の良いフレームワークを提案する。 実際のデータアプリケーションでは、暗号取引ネットワークの異常な価格予測において、我々のアプローチは最大で22%上昇する。
  論文  参考訳（メタデータ） (2023-05-11T01:54:45Z)
• Neural-prior stochastic block model [0.0]
  我々は,コミュニティを,逆ではなくノード属性によって決定されるものとしてモデル化することを提案する。 本稿では,信念伝播と近似メッセージパッシングを組み合わせた統計物理に基づくアルゴリズムを提案する。 提案したモデルとアルゴリズムは理論とアルゴリズムのベンチマークとして利用できる。
  論文  参考訳（メタデータ） (2023-03-17T14:14:54Z)
• Invertible Neural Networks for Graph Prediction [22.140275054568985]
  本研究では,ディープ・インバーチブル・ニューラルネットワークを用いた条件生成について述べる。 私たちの目標は,前処理と後処理の予測と生成を同時に行うことにあるので,エンドツーエンドのトレーニングアプローチを採用しています。
  論文  参考訳（メタデータ） (2022-06-02T17:28:33Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Model Fusion via Optimal Transport [64.13185244219353]
  ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。 これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
  論文  参考訳（メタデータ） (2019-10-12T22:07:15Z)

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。