CGGM: A conditional graph generation model with adaptive sparsity for node anomaly detection in IoT networks

要約

動的グラフは、モノのインターネット (IoT) 内のノードの異常な動作を検出するために広く使用されています。
生成モデルは、動的グラフにおける不均衡なノード カテゴリの問題に対処するためによく使用されます。
それにもかかわらず、隣接関係の単調性、ノードの多次元フィーチャの構築の難しさ、複数カテゴリのノードをエンドツーエンドで生成する方法の欠如などの制約に直面しています。
この論文では、少数派クラスに属する多数のノードを生成するために特別に設計された、CGGM と呼ばれる新しいグラフ生成モデルを紹介します。
適応的スパース性を通じて隣接行列を生成するメカニズムにより、その構造の柔軟性が強化されます。
フィーチャ生成モジュールは多次元フィーチャ ジェネレータ (MFG) と呼ばれ、トポロジ情報とともにノード フィーチャを生成します。
ラベルは埋め込みベクトルに変換され、複数のカテゴリにわたる合成データの生成を制御する条件付き制約として機能します。
多段階損失を使用して、合成データの分布が実際のデータの分布によく似るように調整されます。
広範な実験により、CGGM の合成データがさまざまな指標において最先端の方法よりも優れていることが示されました。
私たちの結果は、多様なデータ カテゴリを効率的に生成し、マルチカテゴリ分類モデルのパフォーマンスを確実に強化することを示しています。

要約(オリジナル)

Dynamic graphs are extensively employed for detecting anomalous behavior in nodes within the Internet of Things (IoT). Generative models are often used to address the issue of imbalanced node categories in dynamic graphs. Nevertheless, the constraints it faces include the monotonicity of adjacency relationships, the difficulty in constructing multi-dimensional features for nodes, and the lack of a method for end-to-end generation of multiple categories of nodes. This paper presents a novel graph generation model, called CGGM, designed specifically to generate a larger number of nodes belonging to the minority class. The mechanism for generating an adjacency matrix, through adaptive sparsity, enhances flexibility in its structure. The feature generation module, called multidimensional features generator (MFG) to generate node features along with topological information. Labels are transformed into embedding vectors, serving as conditional constraints to control the generation of synthetic data across multiple categories. Using a multi-stage loss, the distribution of synthetic data is adjusted to closely resemble that of real data. In extensive experiments, we show that CGGM’s synthetic data outperforms state-of-the-art methods across various metrics. Our results demonstrate efficient generation of diverse data categories, robustly enhancing multi-category classification model performance.

arxiv情報

著者 Xianshi Su,Munan Li,Tongbang Jiang,Hao Long
発行日 2024-07-26 16:06:39+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG, cs.RO パーマリンク