通过知识迁移加速异构类别事件流中的依赖图学习
人工智能
2017-08-29 v1
摘要
依赖图作为一种表示不同系统实体对之间内在关系的异构图，对许多数据分析应用（如根因诊断、入侵检测等）至关重要。给定一个来自源域训练良好的依赖图和一个来自目标域不成熟的依赖图，我们如何提取源中的实体和依赖知识来增强目标？一种方式是直接将源域学习到的成熟依赖图应用于目标域。但由于域差异问题，直接使用源依赖图往往不能取得良好性能。传统迁移学习方法主要关注数值数据，并不适用。在本文中，我们提出ACRET，一种基于知识迁移的模型，用于加速从异构类别事件流中学习依赖图。具体而言，我们首先提出一种实体估计模型，基于实体嵌入和流形学习从源域过滤掉不相关实体。仅将具有统计高相关性的实体迁移到目标域。在存活实体上，我们提出一种依赖构建模型，通过求解双约束优化问题来构建无偏依赖关系。在合成和真实世界数据集上的实验结果证明了ACRET的有效性和高效性。我们还将ACRET应用于真实企业安全系统进行入侵检测。我们的方法能够以至少20天的领先滞后时间提前取得超过70%准确率的优越检测性能。
引用
@article{arxiv.1708.07867,
title = {Accelerating Dependency Graph Learning from Heterogeneous Categorical Event Streams via Knowledge Transfer},
author = {Chen Luo and Zhengzhang Chen and Lu-An Tang and Anshumali Shrivastava and Zhichun Li},
journal= {arXiv preprint arXiv:1708.07867},
year = {2017}
}