通过图神经网络进行恶意软件家族分析的序列特征提取
本文提出了一个用于帮助开发模型的 C/C++ 源代码漏洞数据集 CVEFunctionGraphEmbeddings(CVEFGE),该数据集是从 CVE 数据库中自动爬取的,并且提出了基于图神经网络的学习框架 SEquential Graph Neural Network(SEGNN)来学习大量的代码语义表示。我们的实验结果表明,SEGNN 在图分类设置中的表现优于两个数据集和四种基线方法。
May, 2023
提出了一种名为 Seq-HyGAN 的超图注意力网络模型用于解决序列分类的挑战,并使用两级注意机制生成序列表示为超边,同时学习每个序列的关键子序列。实验结果表明,Seq-HyGAN 模型可以有效地分类序列数据并显着优于基线。
Mar, 2023
学习用户行为序列的表示对于各种在线服务至关重要,本文介绍了一种名为 ECSeq 的新型统一框架,该框架利用图压缩技术来改善用户序列表示学习的效率问题,并在序列分类和回归任务中展示了 ECSeq 的有效性。
Jun, 2024
本论文研究图结构数据的学习技术,以 Graph Neural Networks 为起点,使用门控循环单元和现代优化技术,并将其扩展为输出序列,展示出其在一些简单的 AI 和图算法学习任务中的能力,并在程序验证的问题中实现了最新水平的性能。
Nov, 2015
通过将序列编码器与图形成分扩展,我们开发了一个框架,旨在处理文本等弱结构化数据中的长距离关系,从而实现对序列的概括。在广泛的评估中,我们展示了这种混合模型的优越性。
Nov, 2018
提出了一种新的神经网络模型结合 Gated Graph Neural Networks 和输入转换解决了线性化启发式和参数爆炸问题,可以对 AMR 图和基于语法的神经机器翻译进行生成,实验结果表明该模型优于强基线模型。
Jun, 2018
该研究提出了一种基于神经网络的低成本特征提取方法,能够准确快速地检测恶意软件,通过实验发现,在真实数据集上,该方法在特征工程和架构设计方面有较好的表现。
Jul, 2019
本研究提出了一种基于无监督学习的方法,“Series2Graph”,用于领域无关的子序列异常检测,无需标记实例或无异常数据,能够识别长度各异的异常,在 VLDB 2020 上发表。
Jul, 2022