CGGM: 基于自适应稀疏性的节点异常检测 IoT 网络条件图生成模型
机器人学
2024-12-13 v5 机器学习
摘要
动态图广泛用于检测 Internet of Things (IoT) 中节点的异常行为。图生成模型常用于解决动态图中节点类别不平衡的问题。然而，它面临单调性邻接关系、难以为节点构建多维特征以及缺乏多类别节点端到端生成方法等约束。在本文中，我们提出了一种新型图生成模型，称为CGGM，专为生成属于少数类样本而设计。该框架由两个核心模块组成:条件图生成模块和基于图的异常检测模块。生成模块通过对噪声邻接矩阵进行下采样来适应矩阵稀疏性，并基于多头自注意力机制构建多维特征编码器以捕获特征之间的潜在依赖性。此外，将潜空间约束与分布距离结合，以近似实际数据的分布。基于图的异常检测模块利用生成的平衡数据集来预测节点的行为。大量实验表明，CGGM 在准确率和发生率方面优于最先进的方法。结果还表明，CGGM 可以生成多样化的数据类别，从而提升了多类别分类任务的性能。
引用
@article{arxiv.2402.17363,
title = {CGGM: A conditional graph generation model with adaptive sparsity for node anomaly detection in IoT networks},
author = {Munan Li and Xianshi Su and Runze Ma and Tongbang Jiang and Zijian Li and Tony Q. S. Quek},
journal= {arXiv preprint arXiv:2402.17363},
year = {2024}
}
备注
10 pages, 19 figures