Jun, 2023

DSHGT: 双监督异构图变换器 —— 使用异构图学习检测软件漏洞的先驱研究

PDF
TL;DR本文介绍了使用异构图表征和双监督结构的 Well-known 网络进行对应的图学习任务，从而实现软件漏洞的检测，通过使用原型进行实验，表明该方法对于检测性能具有良好的有效性，并在从 C/C++ 到其他编程语言的转换性上优于现有技术。
发现论文，激发创造
  • 基于抽象语法树 (AST) 的异构有向超图神经网络用于代码分类

    该研究提出了利用异构有向超图和异构有向超图神经网络处理代码分类的方法，并在公共的 Python 和 Java 代码数据集上测试，结果表明该方法可以提高代码理解和高阶数据相关性的表述。

    May, 2023

  • 异质图变换器

    本文介绍了一种用于建模 Web 规模异构图的异构图转换器架构（HGT），通过设计基于节点类型和边类型的参数来实现异构性，并引入相对时间编码技术和异构迷你批图采样算法来处理动态异构图数据，实验表明，所提出的 HGT 模型在各种下游任务中始终优于所有最先进的 HNN 基线 9％至 21％。

    Mar, 2020

  • 异构子图变换用于虚假新闻检测

    通过构建异构图，揭示了在社交媒体上假新闻的存在及其与主题、实体和内容之间的关系，并提出了一种利用异构子图转换器来检测假新闻的方法。实验证明这种方法在真实世界数据集上的表现优于其他基线模型，而进一步的案例和消融研究证实了其性能改进是由其特殊设计的组件所致。

    Apr, 2024

  • Attention 机制在欺诈检测中的图动态建模

    本研究提出了动态异构图神经网络及其变体 DyHGN，使用商业交易数据来构建动态异构图，并使用模型解释技术来理解 DyHGN-* 模型的行为，其发现表明建模带异构输入的图动态行为需要依赖于数据结构、分布和计算成本的 “关注”。

    Apr, 2022

  • 具有语义漏洞图的无偏 Transformer 源代码学习

    提出了一种结合 RoBERTa 模型和 GCN 模型的关于代码漏洞检测的多任务分类器，该模型采用了一个语义性漏洞图来降低偏差，并通过结合 Focal Loss 目标函数降低数据集不平衡的影响。在多个数据集的测试中，该模型表现优异，能够在最好的情况下提高 2.41% 和 18.75% 的检测效果，并且在针对知名 Github 代码库的 N-day 程序样本的测试中表现出 93% 的准确率，能够检测出 4 种零日漏洞。

    Apr, 2023

  • 从异质性学习：超图的动态学习框架

    本文提出了一种名为 LFH 的超图学习框架，能够通过动态超边构建和注意力嵌入更新利用图的异质性属性进行超图学习，在多个数据集上的实验证明其有效性。

    Jul, 2023

  • 利用动态图转换器预测研究社区中的技术专长和能力演变

    利用动态异构图表示，我们扩展了传统的统计关系学习方法，预测技术专长和能力演进的问题，并实现了一种新颖的动态图转换器神经架构，该模型在人工智能领域的合作、伙伴关系和专家模式的预测中的性能超过了静态图基准模型，为研究人员提供了准确的合作预测。

    Jul, 2023

  • 生成对比异构图神经网络

    通过利用自监督学习，我们提出了一种新颖的生成对比异构图神经网络 (GC-HGNN)，并且在结点分类和链接预测任务中显著超越最新的对比和生成基线模型。

    Apr, 2024

  • HDGT: 基于场景编码的多智能体轨迹预测的异质驱动图变压器

    针对自动驾驶中编码驾驶场景以进行轨迹预测的任务，本文提出了一种新颖的骨干网络，称为异构驾驶图变换器 (Heterogeneous Driving Graph Transformer, HDGT)，将驾驶场景建模为具有不同类型节点和边的异构图，并在图神经网络 (GNN) 的聚合模块中采用分层的变换器结构来适应输入的异构性，实验结果表明，该方法在 INTERACTION Prediction Challenge 和 Waymo Open Motion Challenge 中取得了新的最优结果。

    Apr, 2022

  • HRGCN：基于层次关系增强图神经网络的异构图层级异常检测

    这项研究考虑了异构图层次异常检测的问题，提出了 HRGCN，一种无监督的深度异构图神经网络，用于有效地识别系统中的异常行为图。在两个真实应用数据集上的广泛评估表明，HRGCN 优于目前最先进的竞争性异常检测方法。进一步展示了一个实际工业案例研究，以证明 HRGCN 在检测移动通信服务中的异常（如拥塞）网络设备方面的有效性。

    Aug, 2023