- 工业控制系统深度多模态网络安全攻击检测
本研究针对工业控制系统 (ICs) 的复杂性以及最近发生的大量网络攻击提出了一种多模态检测模型,使用网络和传感器数据,并在 Secure Water Treatment (SWaT) 系统上进行了验证,结果表明,本研究提出的模型能够优于现有 - 20 年网络社群检测
本文评论了过去 20 年在网络数据分析自动发现社区 - 节点强连接或分享相似特征或角色方面的进展。
- 扩展随机块模型及其在犯罪网络中的应用
通过基于吉布斯先验的扩展随机块模型(ESBM),本文研究了包含测量误差、未知核 - 边缘、同类与异类结构的隐藏式犯罪网络的组结构学习问题,并针对各类不确定性提出了更准确的建模、估计和预测策略,其中以 Gnedin 过程为先验的 ESBM 表 - 非线性高阶标签传播
本篇论文中,研究了基于非线性高阶结构的标签扩散算法,证明了其与半监督损失函数的全局解收敛,并在多种点云和网络数据集上的实验中表现出与传统标签扩散、超图模型和图神经网络相比更高效和更有效的性能。
- 图散射变换的稳定性
本文介绍了在网络数据中使用多分辨率图形小波的散射变换,并证明了生成的散射变换对底层网络度量摄动的稳定性。这使得图形散射变换变得稳健,特别适用于转移学习、拓扑估计或时变图的情况。
- 实施 SCADA 场景并引入攻击以获取入侵检测方法的训练数据
本文提出了一个用于基于机器学习的异常检测算法训练的标记数据集。该数据集基于实际的工业应用场景,包括真实工业硬件和应用特定的网络数据。数据集包含人工引入的攻击行为,并用传感器数据标记攻击行为,以进行规范的测试和评估。
- IJCAI多层网络推理的改进深度嵌入
本文提出了一种新的方法,通过 DeepWalk 在 supra 图上共同获得所有层的节点嵌入,并对嵌入进行微调,以在潜在空间中促进凝聚结构,通过节点分类,链接预测和多层社区检测的实证研究表明,该方法在多项基准测试中优于现有的单层和多层网络嵌 - 大型网络下的指数随机图模型:最大伪似然估计和参数化 Bootstrap
本文主要介绍了在分析网络数据方面,指数随机图模型(ERGM)与参数估计方面的问题,提出了基于参数重抽样的参数伪最大似然估计方法(bootstrapped MPLE),与 Monte Carlo 最大似然估计(MCMLE)方法相比,其在保证准 - 贝叶斯随机块模型
本文介绍了利用贝叶斯推断从网络数据中提取大规模模块化结构的方法,重点介绍了基于随机块模型(SBM),以及其度修正和重叠推广。提供了一种允许防止过度拟合,实现模型选择的非参数公式。讨论了先验选择的方面,特别是如何通过加强贝叶斯层次结构来避免欠 - 基于贝叶斯推断的脑网络群体差异检验
本文提出了一种贝叶斯方法,以测试不同群体之间神经网络结构的全局和局部差异,从而为人类大脑网络与创造力之间的关系提供了新的见解。
- 关系判别主题模型
通过三个扩展来改进 RTMs 模型,扩大模型表达性和处理不平衡网络结构的能力,实现更加精准的推理和主题发现.
- 一个具有社区结构的可扩展生成图模型
本研究提出了一种可适应实际数据的分布式可生成网络模型 BTER,该模型可用于社交网络等具有社区结构的图形的生成和性能评估,并实现了一个可扩展的实现,在模拟包含 46 亿条边的真实 web 图形时获得更好的延展性和数据拟合度。
- 动态异常监测:通过稀疏和低秩追踪网络异常
构建了一种在线估计的网络异常映射方法,该方法基于 exponentially-weighted 的最小二乘准则和物流矩阵的核范数,可在实时动态环境下追踪网络流量异常,进而提高网络质量和保障网络安全。
- ICML网络数据的无限潜在属性模型
本文提出了一种基于层次贝叶斯模型的潜在变量模型,能更好地提取社交和生物学网络数据的结构关系并预测,相比只有一个层级的模型,本模型在预测性能上有显著的改进。
- 指数随机图模型采样一致性
研究网络结构的统计模型中,针对采样亚网络应用整个网络模型来估计参数假设模型在采样下一致,但实际上这个假设会严重限制模型的表达能力,本文针对流行的指数随机图模型进行了讨论并提出了一些可行性条件和可能的解决方法。
- 基于经验度量的随机块模型的分类和估计
该论文研究了一种用于异质性网络数据的混合模型:随机块模型,提出了一种基于经验度数数据的分类、估计和模型选择算法,并证明了该算法能够在处理非常大的网络数据时获得一致的估计结果和分类效果。
- 具有不断增长类别数的随机块模型
研究了随机块模型在网络数据分析中的应用,采用最大似然拟合方法,当类别数量允许随着网络规模的增加而增加,且平均网络度数不小于对数多项式时,网络节点误分类的比例会以概率为零收敛。同时对由伯努利随机变量组成的数据,建立了最大似然块模型参数估计的有 - 统计网络模型调查
本文综述历史发展中的统计网络建模及其在静态和动态网络模型中的应用,强调对图形化表示、参数及其估计的解释,并介绍了机器学习和统计学中的一些未解之谜和挑战。
- 网络中社群结构的稳健性
本研究提出了一种方法来解决如何确定网络结构中的社区结构是否具有统计显著性的问题,即通过计算网络结构对微小扰动的鲁棒性来量化社区结构的显著性,同时利用该方法来评估各种真实和计算机生成的网络中社区结构的显著性。