基于跨网络元学习的少样本网络异常检测
机器学习
2021-02-23 v1
摘要
网络异常检测旨在发现行为与其余绝大多数网络元素（如节点、边、子图）显著不同的网络元素。它在从金融、医疗到社交网络分析的各种应用中具有深远影响。由于难以承受的标注成本，现有方法主要以防监督方式开发。然而，由于缺乏关于感兴趣异常的先验知识，它们识别出的异常可能最终是数据噪声或无趣的数据实例。因此，研究并开发用于网络异常检测的少样本学习至关重要。在真实场景中，来自与目标网络同一领域的相似网络上同样容易获取少量标注异常，而现有工作大多忽略利用它们，仅聚焦于单一网络。利用这一潜力，本工作中我们通过以下方式解决少样本网络异常检测问题：（1）提出一类新的图神经网络——图偏差网络（Graph Deviation Networks, GDN），其可利用少量标注异常在网络上强制异常节点与正常节点之间具有统计显著的偏差；以及（2）为所提 GDN 配备一种新的跨网络元学习算法，通过从多个辅助网络迁移元知识来实现少样本网络异常检测。大量评估证明了所提方法在少样本甚至单样本网络异常检测上的有效性。
引用
@article{arxiv.2102.11165,
title = {Few-shot Network Anomaly Detection via Cross-network Meta-learning},
author = {Kaize Ding and Qinghai Zhou and Hanghang Tong and Huan Liu},
journal= {arXiv preprint arXiv:2102.11165},
year = {2021}
}
备注
Accepted by The Web Conference 2021