روش ترکیبی تشخیص ناهنجاری با استفاده از تشخیص انجمن در گراف و انتخاب ویژگی

Publish Year: 1399
نوع سند: مقاله ژورنالی
زبان: Persian
View: 495

This Paper With 8 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_PADSA-8-1_002

تاریخ نمایه سازی: 19 مرداد 1399

Abstract:

تشخیص ناهنجاری یک موضوع مهم در بسیاری از حوزه های کاربردی شامل امنیت، سلامت و تشخیص نفوذ در شبکه های اجتماعی است.  بیشتر روش های توسعه داده شده، فقط از اطلاعات ساختاری گراف ارتباطی یا اطلاعات محتوایی گره ها برای تشخیص ناهنجاری استفاده می کنند. ساختار یکپارچه بسیاری از شبکه ها از قبیل شبکه های اجتماعی این روش ها را با محدودیت مواجه ساخته است و باعث توسعه روش های ترکیبی شده است. در این مقاله، روش ترکیبی پیشنهادی تشخیص ناهنجاری مبتنی بر تشخیص انجمن در گراف و انتخاب ویژگی ارائه شده است که از ناهنجاری به عنوان اعضای ناسازگار در انجمن ها بهره برده و با استفاده از الگوریتم مبتنی بر تشخیص و ترکیب انجمن های مشابه، شناسایی گره های ناهنجار را انجام می دهد. نتایج آزمایش های تجربی روش پیشنهادی بر روی دو مجموعه از داده های دارای ناهنجاری واقعی، نشان دهنده قدرت تشخیص دقیق گره های ناهنجار و قابل مقایسه با آخرین روش های علمی است.

Authors

میثم میرزایی

دانشگاه جامع امام حسین (ع)

امین اله مه آبادی

دانشگاه شاهد

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • F. Y. Edgeworth, On discordant observations, Philosophical Magazine, vol. 23, ...
  • D. Toshniwal and S. Yadav, Adaptive Outlier Detection in Streaming ...
  • V. Chandola, A. Banerjee, and V. Kumar, Anomaly detection: A ...
  • V. Hodge and Austin, A survey of outlier detection methodologies, ...
  • L. Akoglu, H. Tong, and D. Koutra, Graph based anomaly ...
  • K. Beyer, J. Goldstien, R. Ramakrishnan, and U. Shaft, When ...
  • J. Gao, F. Liang, W. Fan, C. Wang, and Y. ...
  • J. Li, H. Dani, X. Hu, and H. Liu, Radar: ...
  • M. Davis, W. Liu, P. Miller, and G. Redpath, Detecting ...
  • T. Ji, J. Gao, and D. Yang, A Scalable Algorithm ...
  • W. Yang, G. W. Shen, W. Wang, L. Y. Gong, ...
  • C. C. Noble and D. J. Cook, Graph-based anomaly detection, ...
  • P. I. Sánchez, E. Müller, F. Laforet, and F. Keller, ...
  • E. Müller, P. I. Sánchez, Y. Mülle, and K. Böhm, ...
  • P. I. Sánchez, E. Müller, O. Irmler, and K. Böhm, ...
  • M. A. Prado-Romero and A. Gago-Alonso, Community Feature Selection for ...
  • V. D. Blondel, J. Guillaume, R. Lambiotte, and Lef, Fast ...
  • X. He, D. Cai, and P. Niyogi, Laplacian Score for ...
  • X. Xu, N. Yuruk, Z. Feng, and T. A. Schweiger, ...
  • M. Breunig, H. Kriegel, R. Ng, J. Sander, and et ...
  • B. Perozzi and L. Akoglu, Scalable Anomaly Ranking of Attributed ...
  • نمایش کامل مراجع