新的ARES框架使用GNN和半空间树进行边缘异常检测

研究人员开发了ARES，一个无监督框架，旨在检测流式时间图中的异常。该模型结合了用于特征提取的图神经网络（GNN）和用于异常评分的半空间树（HST），使其能够实时识别异常的时间连接。ARES通过嵌入节点和边缘属性来捕获异常行为，从而应对概念漂移和大数据量等挑战。该框架还可以结合使用少量标记数据的简单监督阈值机制来适应不同领域。 AI

影响 这项研究可以改善动态网络环境中的实时威胁检测。

排序理由 该集群描述了一篇关于流式图异常检测新模型的新研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Gotit.pub
• Graph Neural Networks
• Half-Space Trees
• Hugging Face
• IArxiv
• ScienceCast
• Simone Mungari

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →