主题: Laplacian Change Point Detection for Dynamic Graphs

摘要: 动态图和时间图是丰富的数据结构,用于对实体之间的复杂关系进行建模,尤其是时间图的异常检测是现实世界中至关重要的应用,例如网络系统中的入侵识别,生态系统扰动的检测和流行病的检测。在本文中,我们专注于动态图的变化点检测,并解决与该问题相关的两个主要挑战:I)如何跨时间比较图快照,II)如何捕获时间依存关系。为了解决上述挑战,我们提出了拉普拉斯异常检测(LAD),它使用每个快照上图结构的拉普拉斯矩阵的频谱来获得低维嵌入。 LAD通过应用两个滑动窗口显式地对短期和长期依赖性进行建模。在合成实验中,LAD的性能优于最新方法。我们还将在三个真实的动态网络上评估我们的方法:UCI消息网络,美国参议院共同赞助网络和加拿大法案投票网络。在所有三个数据集中,我们证明了我们的方法可以根据重大的现实事件更有效地识别异常时间点。

成为VIP会员查看完整内容
0
25

相关内容

对于来自开源社会传感器的多种类型并发事件及其相关参与者进行建模是许多领域(如医疗保健、救灾和金融分析)的一项重要任务。预测未来的事件可以帮助人类分析师更好地理解全球社会动态,并做出快速而准确的决策。预期参与这些活动的参与者或参与者还可以帮助涉众更好地响应意外事件。然而,由于以下几个因素,实现这些目标是具有挑战性的:(i)难以从大规模输入中过滤出相关信息,(ii)输入数据通常为高维非结构化和Non-IID(非独立同分布),(iii)相关的文本特征是动态的,随时间而变化。最近,图神经网络在学习复杂和关系数据方面表现出了优势。本文研究了一种基于异构数据融合的时间图学习方法,用于预测多类型并发事件并同时推断多个候选参与者。为了从历史数据中获取时间信息,我们提出了一种基于事件知识图的图学习框架Glean,它结合了关系和单词上下文。我们提出了一个上下文感知的嵌入融合模块来丰富事件参与者的隐藏特性。我们在多个真实数据集上进行了广泛的实验,结果表明,所提出的方法在社会事件预测方面与各种先进的方法相比具有竞争力,而且还提供了急需的解释能力。

成为VIP会员查看完整内容
0
93

主题: Graph Neural Networks with Continual Learning for Fake News Detection from Social Media

摘要: 尽管已经花费大量精力进行事实核查,但假新闻在社交媒体上的普遍使用对司法,公众信任以及我们整个社会都产生了深远影响,仍然是一个严重的问题。在这项工作中,我们专注于基于传播的虚假新闻检测,因为最近的研究表明,虚假新闻和真实新闻在网络上的传播方式不同。具体来说,考虑到图神经网络(GNN)处理非欧氏数据的能力,我们使用GNN区分社交媒体上的假新闻和真实新闻的传播方式。具体来说,我们集中在两个问题上:(1)在不依赖任何文本信息(例如推文内容,回复和用户描述)的情况下,GNN如何准确地识别假新闻?众所周知,机器学习模型容易受到对抗性攻击,而避免依赖于基于文本的功能会使模型不易受到高级假新闻造假者的操纵。 (2)如何处理看不见的新数据?换句话说,在给定的数据集上训练的GNN如何在新的且可能完全不同的数据集上执行?如果性能不能令人满意,我们如何解决该问题而又不从头开始对整个数据重新训练模型,而随着数据量的增长,这在实践中将变得过高地昂贵?我们在具有数千个带有标签新闻的两个数据集上研究了上述问题,我们的结果表明:(1)GNN确实可以实现可比或更高的性能,而无需任何文本信息即可达到最新方法。 (2)在给定的数据集上训练的GNN在新的,看不见的数据上可能表现不佳,并且直接增量训练无法解决问题-在以前的将GNN用于伪造新闻检测的工作中,尚未解决此问题。为了解决该问题,我们提出了一种方法,该方法通过使用持续学习中的技术逐步训练GNN,从而在现有数据集和新数据集上均达到平衡的性能。

成为VIP会员查看完整内容
0
30

题目: Structural Patterns and Generative Models of Real-world Hypergraphs

简介:

图已被用作对人或物之间的成对关系建模的强大工具。这种结构是一种特殊类型的概念,称为超图,其中每个超边可能包含任意数量的节点,而不仅仅是两个。大量的数据集都是这种形式的-例如,从组织发送的电子邮件的收件人列表,用户参与讨论的主题或在非在线问题中标记的主题标签。但是,由于表示形式复杂且缺少适当的工具,因此很少关注探索这些交互中的基本模式。在这项工作中,我们根据经验研究了多个跨领域的超图数据集。为了进行深入研究,我们引入了多级分解方法,该方法通过一组成对图表示每个超图。每个成对的图(我们称为k级分解图)捕获了k个节点的子集对之间的交互作用。根据经验,我们发现一个示教分解级,研究的超图遵循五个结构特性。这些属性用作评估超图的标准,并为超图生成问题奠定基础。我们还提出了一种超图生成器,它非常简单,但能够满足这些评估指标,而其他基线生成器模型则很难实现。

成为VIP会员查看完整内容
0
30

主题: TIMME-Twitter Ideology-detection via Multi-task Multi-relational Embedding

摘要: 跨平台帐户匹配在社交网络分析中起着重要作用,并且有利于广泛的应用。但是,现有方法要么严重依赖高质量的用户生成内容(包括用户配置文件),要么遭受数据不足的问题为了解决这一问题,我们提出了一种新颖的框架,该框架同时考虑了本地网络结构和超图结构上的多级图卷积。所提出的方法克服了现有工作的数据不足的问题,并且不必依赖于用户人口统计信息。此外,为了使所提出的方法能够处理大规模社交网络,我们提出了一种两阶段空间调节机制,以在基于网络分区的并行训练和不同社交网络上的帐户匹配中对齐嵌入空间。在两个大型的现实生活社交网络上进行了广泛的实验。实验结果表明,所提出的方法在很大程度上优于最新模型。

成为VIP会员查看完整内容
0
13

题目:

Mining Anomalies using Static and Dynamic Graphs

简介:

在许多情况下,例如安全性,医疗保健,财务和网络,异常检测,即稀有或异常模式是一个紧迫的问题。审查欺诈和网络入侵攻击之类的异常编码可疑,欺诈或恶意行为,不仅影响人们做出次优的决策,而且稳定地削弱了他们对业务的信任。这样,检测正在进行的异常并警告即将发生的异常的算法对企业和最终用户都具有很大的影响。本文通过开发可利用连接性和时间信息来检测异常行为或事件的原理化,可扩展算法,来考虑异常检测问题。这些方法对于大型动态复杂数据集很有用,这些数据集具有很强的关系和时间特性,多个实体相互交互,并且会随着时间而发展。如今,此类数据集是在多种多样的环境中生成的,其示例范围从电子商务日志到在线社交网络再到物联网。 论文的前半部分着重于图形中的异常检测,在这些图中,只有静态连接信息是已知的。给定一个图和一些标记的顶点,我们如何推断其余顶点的标记?例如,我们如何从一小组手动标记的诚实和伪造帐户中发现Amazon或Facebook上的所有伪造用户帐户?与现有文献相比,我们的工作利用了现实世界图中的三个关键属性,即顶点和边类型的异质性,偏度分布和高阶结构,可以产生更准确的顶点标记。所提出的算法具有封闭形式的解决方案,严格的收敛性保证,可以使用稀疏矩阵运算有效地实现,并且可以随图形大小线性缩放。 本文的后半部分着重于从连接结构随时间变化的数据中挖掘异常。在许多情况下,尤其是与安全和卫生保健有关的情况,新发现或预期的异常的价值在于当下,而不是不久的将来。因此,给定一个随时间变化的图表(显式图或隐式图),我们如何才能近乎实时地检测异常或事件,甚至可能在它们发生之前提早发出警报?我们的算法可以通过仅存储到目前为止所看到的图形的简短摘要并且不需要监督,就可以实时检测异常图形的足迹,例如密集子图的突然出现或消失以及桥边。我们还展示了如何以在线方式从时间序列数据推断状态转换图,并使用它来提前警告用户标记的异常,例如不利的医疗条件。在整个论文中,着重强调的算法不仅(a)在实践中有效,而且(b)高效,可以在几秒钟内在普通笔记本电脑上处理数百万条边缘,并且(c)有原则可以进行严格的推理,从而为推理,检测或利用数据相关的见解提供理论上的保证。我们证明了我们的算法在从社交网络和电子商务到安全和医疗保健的一系列应用中的功效。

成为VIP会员查看完整内容
0
50

题目: Context-Transformer: Tackling Object Confusion for Few-Shot Detection

摘要:

小样本目标检测是一个具有挑战性但又很现实的场景,只有少数带注释的训练图像可用于训练检测器。处理这个问题的一个流行的方法是迁移学习,对在源域基准上预先训练的检测器进行微调。然而,由于训练样本的数据多样性较低,这种转移的检测器往往不能识别目标域中的新对象。为了解决这一问题,我们提出了一个新颖的上下文转换器:一个简洁的深层传输框架。具体来说,Context-Transformer可以有效地利用源域对象知识作为指导,并自动地从目标域中的少量训练图像中挖掘上下文。然后,自适应地整合这些相关线索,增强检测器的识别能力,以减少在小样本场景下的目标混淆。此外,上下文转换器灵活地嵌入到流行的ssd风格的检测器中,这使得它成为端到端小样本学习的即插即用模块。最后,我们评估了上下文转换器对小样本检测和增量小样本检测的挑战性设置。实验结果表明,我们的框架比目前最先进的方法有更好的性能。

成为VIP会员查看完整内容
0
46

主题: Machine Learning based Anomaly Detection for 5G Networks

摘要:

保护未来网络将是一个具有挑战性的领域,因为网络安全威胁日益增加,物联网(IoT)造成的攻击面不断扩大,网络异构性增加,虚拟化技术和分布式架构的使用增加。本文提出了SDS(软件定义安全)作为一种手段来提供一个自动化的、灵活的、可扩展的网络防御系统。SDS将利用当前机器学习的进步,设计一个使用NAS(神经结构搜索)检测异常网络流量的CNN(卷积神经网络)。SDS可以应用于入侵检测系统,为5G网络创建更主动和端到端防御。为了验证这一假设,我们使用CNN采集并分析了模拟环境中的正常和异常网络流。该方法的结果是有希望的,因为该模型识别良性流量的准确率为100%,异常流量的检出率为96.4%。这证明了网络流分析对各种常见恶意攻击的有效性,也为检测加密恶意网络流量提供了一个可行的选择。

成为VIP会员查看完整内容
0
26

题目: Dynamic Spatio-temporal Graph-based CNNs for Traffic Flow Prediction

摘要: 由于其时空结构的复杂性和动态性,预测未来交通流是一个具有挑战性的问题。大多数现有的基于图的CNN都试图捕捉静态关系,而忽略了序列数据下的动态关系。本文通过学习表达特征来表示时空结构,并从监控视频数据中预测未来的交通流,提出了一种基于动态时空图的神经网络(DST-GCNNs)。特别是,DST-GCNN是一个双流网络。在流量预测流中,我们提出了一种新的基于图形的时空卷积层来从流量的图形表示中提取特征。然后将几个这样的层叠加在一起来预测未来的流动。同时,随着交通条件的变化,图中交通流之间的关系往往是时变的。为了捕获图的动态,我们使用图预测流来预测动态图结构,并将预测的结构输入到流预测流中。在实际数据集上的实验表明,该模型与现有的方法相比具有较强的竞争能力。

成为VIP会员查看完整内容
0
100

题目: NETWORK DECONVOLUTION

摘 要:

卷积是卷积神经网络(CNNs)的核心操作,它将一个核函数应用于图像上移位的重叠区域。然而,由于实际图像数据具有很强的相关性,卷积核实际上是对冗余数据的再学习。在这项工作中,我们证明了这种冗余使神经网络训练具有挑战性,并提出了网络反褶积,这是一种在数据被输入到每一层之前最优地去除像素和信道相关的方法。网络反褶积可以有效地计算在一个卷积层的计算成本的一小部分。我们还发现,网络第一层的反褶积滤波器与大脑视觉区域的生物神经元中发现的中央环绕结构相似。使用这种内核进行过滤会得到一个稀疏表示,这是神经网络训练中所缺少的一个理想特性。在不使用批处理标准化的情况下,从稀疏表示中学习可以促进更快的收敛和更好的结果。我们将我们的网络反褶积操作应用到10个现代神经网络模型中,在每个模型中替换批量归一化。大量的实验表明,在CIFAR-10、CIFAR-100、MNIST、Fashion-MNIST、Cityscapes和ImageNet数据集的所有情况下,网络反卷积操作都能够提供性能改进。

成为VIP会员查看完整内容
0
31
小贴士
相关VIP内容
【KDD2020】动态知识图谱的多事件预测
专知会员服务
93+阅读 · 2020年8月30日
【ICLR-2020】网络反卷积,NETWORK DECONVOLUTION
专知会员服务
31+阅读 · 2020年2月21日
相关资讯
【泡泡图灵智库】Detect-SLAM:目标检测和SLAM相互收益
泡泡机器人SLAM
9+阅读 · 2019年6月28日
【泡泡点云时空】PointPillars:点云物体检测的快速编码器
图嵌入(Graph embedding)综述
人工智能前沿讲习班
403+阅读 · 2019年4月30日
【泡泡图灵智库】GCNv2:高效关联预测实时SLAM(arXiv)
泡泡机器人SLAM
40+阅读 · 2019年4月15日
Relation Networks for Object Detection 论文笔记
统计学习与视觉计算组
16+阅读 · 2018年4月18日
论文浅尝 | Improved Neural Relation Detection for KBQA
开放知识图谱
11+阅读 · 2018年1月21日
相关论文
EfficientDet: Scalable and Efficient Object Detection
Mingxing Tan,Ruoming Pang,Quoc V. Le
5+阅读 · 2019年11月20日
CornerNet-Lite: Efficient Keypoint Based Object Detection
Hei Law,Yun Teng,Olga Russakovsky,Jia Deng
3+阅读 · 2019年4月18日
Xuesong Li,Jose E Guivant,Ngaiming Kwok,Yongzhi Xu
8+阅读 · 2019年1月24日
Michael Thoreau,Navinda Kottege
7+阅读 · 2018年6月20日
Rex Ying,Ruining He,Kaifeng Chen,Pong Eksombatchai,William L. Hamilton,Jure Leskovec
10+阅读 · 2018年6月6日
Rakesh Mehta,Cemalettin Ozturk
5+阅读 · 2018年5月16日
Ankan Bansal,Karan Sikka,Gaurav Sharma,Rama Chellappa,Ajay Divakaran
6+阅读 · 2018年4月12日
Jiaxuan You,Rex Ying,Xiang Ren,William L. Hamilton,Jure Leskovec
6+阅读 · 2018年2月24日
Fanyi Xiao,Yong Jae Lee
4+阅读 · 2017年12月18日
Bryan Perozzi,Rami Al-Rfou,Steven Skiena
7+阅读 · 2014年6月27日
Top
微信扫码咨询专知VIP会员