Apr, 2023

基于 BS-GAT 行为相似性的图注意力网络用于网络入侵检测

PDF
TL;DR本研究提出了一种基于行为相似性图神经网络（BS-GAT）的算法，利用图注意力网络将边行为关系权重结合到图中，提高了网络入侵检测的性能。实验结果表明，该方法比现有解决方案更有效且具有优越性能。
internet of thingsnetwork intrusion detectiongraph neural networkbehavior similaritygraph attention network
发现论文，激发创造
  • 使用同构性在图神经网络中进行监督关注

    本文提出了一种改进图注意力网络中节点分类的方法，使其更能准确地区分不同类别的节点，在多个节点分类数据集上得到了较高的表现。

    Jul, 2023

  • SI-GAT: 改良图注意力网络方法用于声纳图像分类

    本文提出了一种基于改进图形注意力网络 (SI-GAT) 的声纳分类方法，该方法可以在多种类型成像声纳中应用，并通过实际数据验证优于几种以欧几里得空间为基础的卷积神经网络方法。

    Nov, 2022

  • 基于行为信息聚合网络 (BIAN) 的大规模金融社交网络欺诈用户检测

    本文提出了一种新的行为信息聚合网络（BIAN），它结合了用户的行为和其他用户特征，通过相邻边缘属性分布，即金融社交网络的用户行为，来聚合邻居，从而改善了现有图神经网络在金融欺诈检测方面的不足，实验结果表明，与现有的最先进模型相比，BIAN 在真实的大规模金融社交网络数据集 DGraph 上获得了 10.2% 的 AUROC 增益

    Nov, 2022

  • 异质图中的方向性邻居注意力表示学习

    提出了一种名为 Directional Graph Attention Network (DGAT) 的新型图神经网络结构，利用特征注意力和全局方向信息提高图信息的传播能力，并通过拓扑信息引导的节点剪枝和边添加机制以及新的拉普拉斯矩阵来改善 GAT 存在的局限性，实验证明在真实数据集和合成数据集上，DGAT 在性能上优于传统的 GAT 模型，并在 7 个真实数据集中的 6 个数据集上超越了现有的最先进模型。

    Mar, 2024

  • 图注意力网络

    本文提出新颖的神经网络结构图注意力网络（GATs），利用掩码的自我关注层处理图结构化数据的缺点，有效提出解决谱学派图神经网络中的几个关键挑战的方法，并在四个数据集上取得了最先进的结果。

    Oct, 2017

  • 如何寻找你友好的社区：自监督图注意力设计

    本文提出了一种基于自监督任务的改进图注意力模型 SuperGAT，用于学习在有噪声图中更具有区分性的表达。研究发现，同质性和平均度是影响注意力形式和自监督任务有效性的两个图特征，并提供了在这两个情况下使用的注意力设计指南。在 17 个真实世界数据集上的实验结果表明，SuperGAT 的表现优于基线模型。

    Apr, 2022

  • 异构传感器网络中的动态图注意力异常检测

    本文提出了一种基于图的异常检测框架 DyGATAD，利用注意机制构建多变量时间序列的连续图表示，并推断时间序列之间的动态边。DyGATAD 结合了基于操作条件感知的重构和基于拓扑的异常评分，从而增强了对关系变化的检测能力，在传感器网络中展示了卓越的集体异常检测性能，尤其在最小严重度故障的早期检测方面表现出特殊优势。

    Jul, 2023

  • 稀疏图注意力网络

    该论文提出了一种基于 L0 正则化的 Sparse Graph Attention Networks，可以对大规模、复杂的图进行特征聚合，鲁棒性与有效性更高，达到与原始图相同或更高的预测性能；同时，其使用结果可视化和量化表达，让人更加容易理解。

    Dec, 2019

  • 使用双向图注意力网络学习拓扑表示以解决作业车间调度问题

    本文提出了一种基于注意机制的拓扑感知双向图注意网络（TBGAT），用于解决作业车间调度问题，通过嵌入要解决的不相交图（DG），并利用消息传递机制计算 DG 的正向和反向拓扑排序，从而实现并行计算且取得了新的研究前沿结果。

    Feb, 2024

  • 基于图神经网络的入侵检测的高效网络表示

    我们提出了一种新颖的网络表示形式作为流图，旨在为入侵检测任务提供相关的拓扑信息，以及通过基于图结构的神经网络框架将通信流分类为恶意得分。我们还强调了传统评估程序可能存在的数据泄露问题，并提出了解决方案以确保入侵检测系统性能的可靠验证。通过实施提出的框架，证明利用基于流的图结构优于经典的基于机器学习和先前的基于图神经网络的解决方案。

    Sep, 2023