基于角度的图神经网络高维数据异常检测方法OA北大核心CSTPCD
Angle-based Graph Neural Network Method for Anomaly Detection in High Dimensional Data
在高维数据空间中,数据大都处于高维空间边缘且分布十分稀疏,由此引起的"维度灾难"问题导致现有异常检测方法无法保证异常检测精度.为解决该问题,提出一种基于角度的图神经网络高维数据异常检测方法A-GNN.首先通过数据空间的均匀采样和初始训练数据的扰动来扩充用于训练的数据;然后利用k近邻关系构造训练数据的k近邻关系图,并以k近邻元素距离加权角度的方差作为近邻关系图节点的初始异常因子;最后通过训练图神经网络模型,实现节点间的信息交互,使得相邻节点能够互相…查看全部>>
In high-dimensional data spaces,most data are located at the edges of the high-dimensional space and distributed sparsely,resulting in the problem of"curse of dimensionality",which makes existing anomaly detection methods unable to ensure the accuracy of anomaly detection.To address this problem,an Angle-based Graph Neural Network(A-GNN)high-dimensional data anomaly detection method is proposed.First,the data used for training are expanded by uniformly sampl…查看全部>>
王俊;赖会霞;万玥;张仕
福建师范大学计算机与网络空间安全学院,福建 福州 350117福建师范大学计算机与网络空间安全学院,福建 福州 350117||福建省网络安全与密码技术重点实验室,福建 福州 350117福建师范大学计算机与网络空间安全学院,福建 福州 350117福建师范大学计算机与网络空间安全学院,福建 福州 350117||福建师范大学数字福建环境监测物联网实验室,福建 福州 350117
计算机与自动化
异常检测基于角度的异常评估图神经网络高维数据k近邻
anomaly detectionangle-based anomaly assessmentGraph Neural Network(GNN)high-dimensional datak-nearest neighbor
《计算机工程》 2024 (3)
基于事件的形式化模型的表达能力与工程方法研究
156-165,10
国家自然科学基金(61772004)福建省自然科学基金(2020J01161)福建省科技厅对外合作项目(2023I0013).
评论