سیویلیکا را در شبکه های اجتماعی دنبال نمایید.

تشخیص همزمان زیرگراف های فشرده ناهنجار در شبکه های اجتماعی بزرگ

Publish Year: 1400
Type: Journal paper
Language: Persian
View: 409

This Paper With 17 Page And PDF Format Ready To Download

Export:

Link to this Paper:

Document National Code:

JR_PADSA-9-2_014

Index date: 3 August 2021

تشخیص همزمان زیرگراف های فشرده ناهنجار در شبکه های اجتماعی بزرگ abstract

این مقاله رویکرد جدید تشخیص ناهنجاری بدون علامت براساس پردازش سیگنال های مرتبط با اطلاعات محلی ارایه می دهد که قادر به تعیین همزمان زیرگراف های فشرده ناهنجار در گراف ناشناخته نویزی شبکه های اجتماعی بزرگ است. همچنین الگوریتم جدید نمونه برداری مبتنی بر نمونه برداری فشرده جهت بازیابی ویژگی های تنک شبکه های ثابت ارایه داده که هدفش بهبود دقت تشخیص ناهنجاری همراه با کاهش پیچیدگی نمونه برداری داده ها است. نتایج آزمایشات تجربی با داده های مصنوعی و واقعی شبکه های اجتماعی در مقایسه با مهم ترین روش های علمی نشان داد که رویکرد پیشنهادی علاوه بر برخورداری از دقت تشخیص همزمان چندین زیرگراف فشرده، پیچیدگی محاسباتی را از O(n^۴ √(log⁡n )) به O(n^۲) در شبکه n گره ای کاهش داده و به آسانی قابل کاربرد در شبکه های پویای پیچیده است.

تشخیص همزمان زیرگراف های فشرده ناهنجار در شبکه های اجتماعی بزرگ Keywords:

تشخیص همزمان زیرگراف های فشرده ناهنجار در شبکه های اجتماعی بزرگ authors

ملیحه شاه حسینی

کارشناسی ارشد گروه مهندسی کامپیوتر، دانشکده فنی مهندسی، دانشگاه شاهد، تهران، ایران

امین اله مه آبادی

هیات علمی دانشکده فنی مهندسی 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 :
Yu, Rose, et al., “A Survey on Social Media Anomaly ...
Y. Yasami and F. Safaei, “A statistical in nite feature ...
Xiong, Fei, Yun Liu, and Junjun Cheng, “Modeling and predicting ...
N. Rastogi and J. Hendler, “Graph Analytics for anomaly detection ...
M. Ahmed, A. N. Mahmood, and J. Hu, “ A ...
A. Zargar, A. Nowroozi, and R. Jalili, “XABA: A zero-knowledge ...
D. Mutz, F. Valeur, G. Vigna, and C. Kruegel, “Anomalous ...
R. Chaker, Z. Al Aghbari, and I. N. Junejo, “Social ...
V. Krebs, “Mapping networks of terrorist cells,” Connections, vol. ۱۴(۳), ...
E. Bastami, A. Mahabadi, and E. Taghizadeh, “A gravitation-based link ...
B. A. Miller, et al., “Detection theory for graphs,” Lincoln ...
A. Mohiuddin, A. N. Mahmood, and J. Hu, “A survey ...
Miller, B. A., Beard, M. S., Wolfe, P. J., & ...
W. Xu, E. Mallada, and A. Tang, “Compressive sensing over ...
S. Wang, J. Cao, and P. Yu, “Deep learning for ...
Y. Wang, et al., “Data-Driven Sampling Matrix Boolean Optimization for ...
V. J. Barranca, et al., “Ecient image processing via compressive ...
J. Xiaobo, et al., “An improved sparse reconstruction algorithm for ...
Z. Liu, et al., “Path reconstruction in dynamic wireless sensor ...
H. T. Wai, A. Scaglione, and A. Leshem, “Active sensing ...
J. Madhuka, et al., “Compressive sensing for efficient health monitoring ...
W. Xue, et al., “Kryptein: a compressive-sensing-based encryption scheme for ...
N. Shrivastava, A. Majumder, and R. Rastogi, “Mining (social) network ...
C. C. Noble and D. J. Cook, “Graph-based anomaly detection,” ...
W. Eberle and L. Holder, “Anomaly detection in data represented ...
B. Miller, N. Bliss, and P. J. Wolfe, “Subgraph detection ...
B. A. Miller, M. S. Beard, and N. T. Bliss, ...
Singh N., Miller B. A., Bliss N. T., Wolfe P. ...
P. Bindu and P. S. Thilagam, “Mining social networks for ...
Y. Yasami and F. Safaei, “A statistical infinite feature cascade-based ...
A. Fattaholmanan, “Sparse Recovery in Peer-to-Peer Networks via Compressive Sensing,” ...
J. Haupt, W. U. Bajwa, M. Rabbat, and R. Nowak, ...
A. Fattaholmanan, H. R. Rabiee, P. Siyari, A. Soltani-Farani, and ...
M. Mahyar, “Detection of top-k central nodes in social networks: ...
H. Mahyar, et al., “CS-ComDet: A compressive sensing approach for ...
E. J. Candes, J. K. Romberg, and T. Tao, “Stable ...
R. Tibshirani, “Regression shrinkage and selection via the lasso.” Royal ...
D. Savage, et al., “Anomaly detection in online social networks,” ...
D. Chakrabarti, Y. Zhan, and C. Faloutsos, “R-MAT: A Recursive ...
R-MAT source code, NetMine package. [Online] Available: http://faculty.mccombs.utexas.edu/deepayan.chakrabarti/mywww/software/NetMine-Basic-۰۳-۳۰-۲۰۰۴.tgz ...
نمایش کامل مراجع