面向复杂社交网络异常检测的的合成数据生成研究
社会与信息网络
2020-10-27 v1 计算机与社会
摘要
本文研究了面向关键任务应用的合成数据生成的可行性。重点在于为复杂社交网络中的异常检测生成合成数据。具体而言，旨在开发一种启发式生成模型，能够创建复杂社交网络中异常罕见活动的数据。为此，将社会与政治文献中的经验应用于基于智能体交互的简单社会关系，原型化实现一种基于智能体建模（Agent-based Modeling, ABM）框架的新颖实现，用于恐怖主义画像解聚背景下的合成数据生成。结论部分给出了进一步验证、微调的方向，并提出了该ABM原型的未来工作方向，作为一种面向合成数据生成的复杂社会方法，通过识别启发式超参数调优方法论，以进一步确保生成数据分布与原始数据集的真实分布相似。尽管本文未提供用于缩减分布距离严格的数学优化，我们认为这一自主智能体生成式复杂社会模型对于研究和探讨生活模式与异常检测具有用处，尤其是在关键任务应用中因严格限制或缺乏充足数据而无法使用实用机器学习方案的场景。
引用
@article{arxiv.2010.13026,
title = {On synthetic data generation for anomaly detection in complex social networks},
author = {Andreea Sistrunk and Vanessa Cedeno and Subhodip Biswas},
journal= {arXiv preprint arXiv:2010.13026},
year = {2020}
}
备注
Presented at AAAI FSS-20: Artificial Intelligence in Government and Public Sector, Washington, DC, USA