Mar, 2022

基于知识图谱嵌入模型的上下文依赖异常检测

PDF
TL;DR该研究利用上下文感知来提高机器学习模型的语义理解和上下文意识，提出了将依赖上下文的异常检测问题转化为链路预测问题的框架，并通过知识图谱嵌入模型实现系统，展示了该方法能够高度准确地检测出依赖上下文的异常。
contextual awarenessanomaly detectiongraph-basedlink predictionknowledge graph embedding models
发现论文，激发创造
  • 基于知识图谱的上下文感知安全监测机器学习

    讨论了机器学习在知识图谱上的应用以及实验评估了一种适用于工业系统的异常活动评分方法。该方法经过无监督训练后，能够在各种场景下生成直观易懂、可解释的警报，为利用知识图谱的关系式机器学习在入侵检测方面带来潜在的好处。

    May, 2021

  • 基于知识图谱的上下文驱动视觉对象识别

    通过将语境知识编码到知识图中，提高深度学习方法的鲁棒性，增强物体识别模型对于跨领域和真实世界场景的表现。

    Oct, 2022

  • 基于知识图谱的上下文感知可解释推荐

    探索用户偏好相关的富含语义关联的知识图谱，提供能够适应用户环境的推荐系统框架，并在其中包含上下文。

    Oct, 2023

  • 利用知识图谱嵌入增强关系抽取的上下文表示

    本论文使用预训练的知识图谱嵌入模型，结合文本语料库的句子级上下文表示，实现了较高性能的关系抽取模型，并通过实验验证了该方法的有效性和出色性能。

    Jun, 2023

  • 知识图谱规则引导的联合嵌入学习

    本研究论文介绍了一种新颖的模型，将知识图谱中的实体和关系编码为低维向量空间，并将上下文信息和字面信息融入到实体和关系嵌入中，使用图卷积网络进行建模，通过置信度和相关性度量评估上下文信息的重要性，并通过字面信息的表示来计算相关性度量。我们在两个常用基准数据集上进行了全面的实验证实以验证模型的性能。

    Dec, 2023

  • 基于元路径的深度半监督异常检测

    介绍了一种基于元路径的半监督学习方法的新颖方法，通过在编码器和解码器中利用 GCN 层来高效传播异常和正常节点之间的上下文信息，从而克服了先前方法的局限性，并通过在七个真实网络上进行的一系列实验，证明了该方法相对于最先进技术的优越性。这项研究的有希望的结果为未来的研究铺平了道路，重点是优化和分析元路径模式，进一步提高属性网络上的异常检测的有效性。

    Aug, 2023

  • 基于学习的连续时间动态图中的链接异常检测

    连续时间动态图中的异常检测是一个新兴领域，本文通过结构化分析以及图表示学习，对这些图中的异常连接进行识别。通过引入精细分类法并将类型化的异常注入图中，我们的方法可以在时间、结构和上下文三个方面产生具有一致模式的连续时间动态图，从而使得时间图方法能够学习到链接异常检测任务。在合成和真实数据集上进行的综合实验通过验证我们的异常和正常图形的分类法、生成过程以及对链接预测方法的异常检测适应方法。我们的研究结果进一步揭示了不同学习方法在捕捉图形正常性的不同方面和检测不同类型异常方面的优势，为未来的研究提供了机遇。

    May, 2024

  • 属性图上的半监督异常检测

    本文提出一种在具有少量实例标签信息的属性图上检测异常实例的简单而有效的方法，该方法使用图卷积网络将节点嵌入到潜空间中，以捕获节点间的关系，然后通过最小化超球体的体积来训练节点嵌入算法以检测异常实例。该方法在五个真实世界的属性图数据集上的实验结果表明，该方法比各种现有的异常检测方法具有更好的性能。

    Feb, 2020

  • 使用动态上下文图进行对话语义解析

    本文讨论了使用动态子图和图形神经网络在上下文中交互地将用户话语映射为可执行的逻辑形式，并证明这种方法在处理对话信息方面更好。

    May, 2023

  • CADGE：基于图结构知识聚合的上下文感知对话生成

    本文提出一种基于上下文感知的图注意力模型 (Context-aware GAT)，可以在知识聚合流程中有效地整合相关知识图的全局特征，并且优于传统基于图神经网络 (GNNs) 的语言框架。

    May, 2023