Détection et Explication des Anomalies Contextuelles dans les Graphes Attribués ; Detection and Explanation of Contextual Anomalies in Attributed Graphs
You can manage bookmarks using lists, please log in to your user account for this.
Media type:
Text;
Electronic Thesis;
E-Book
Title:
Détection et Explication des Anomalies Contextuelles dans les Graphes Attribués ; Detection and Explanation of Contextual Anomalies in Attributed Graphs
Footnote:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
Description:
La détection d'anomalies dans des données relationnelles représentées sous forme de graphe s'est avérée très utile dans de nombreux domaines différents, par exemple pour détecter des comportements frauduleux sur des plateformes en ligne ou des intrusions dans des réseaux de télécommunications. Cependant, la plupart des méthodes existantes utilisent des caractéristiques créées à la main et n'utilisent pas nécessairement les informations locales. Dans ce but, nous proposons CoBaGAD, un détecteur d’anomalies contextuelles dans les graphes qui utilise l'information locale pour détecter les nœuds anormaux dans un graphe attribué dans une configuration semi-supervisée. CoBaGAD est un réseau neuronal sur graphe doté d'un mécanisme d'attention personnalisé capable de générer une représentation des nœuds, de les agréger et de classer les nœuds non vus pendant l’entraînement. Bien que les méthodes d'apprentissage automatique se soient avérées très utiles dans un large éventail d'applications allant de la vision par ordinateur au traitement du langage naturel et à l'exploration de graphes, un grand nombre de ces approches sont considérées comme des boîtes noires dont les résultats ne peuvent être humainement reliés aux entrées de manière simple. Cela implique un manque de compréhension du modèle sous-jacent et de ses résultats. Dans ce travail, nous présentons une nouvelle méthode pour expliquer, d'une manière compréhensible par l'homme, la décision d'un modèle de boîte noire pour la détection d'anomalies sur des données de graphes attribuées. Plus précisément, nous nous concentrons sur l'explication de la classification des nœuds en apprenant un modèle local interprétable autour d'un nœud à expliquer. Nous montrons que notre méthode peut récupérer l'information qui conduit le modèle à étiqueter un nœud comme anormal. ; Anomaly detection in relational data represented as a graph has proven to be very useful in a lot of different domains, for example to detect fraudulent behavior on online platform or intrusion on ...