首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  完全免费   1篇
  自动化技术   1篇
  2020年   1篇
排序方式: 共有1条查询结果,搜索用时 15 毫秒
1
1.
动态变化的图数据在现实应用中广泛存在,有效地对动态网络异常数据进行挖掘具有重要的科学价值和实践意义.大多数传统的动态网络异常检测算法主要关注于网络结构的异常,而忽视了节点和边的属性以及网络变化的作用.本文提出一种基于图神经网络的异常检测算法,将图结构、属性,以及动态变化的信息引入模型中来学习进行异常检测的表示向量.具体地,本文改进图上的无监督的图神经网络框架DGI,提出了一种面向动态网络无监督表示学习算法Dynamic-DGI.该方法能够同时提取网络本身的异常特性,以及网络变化的异常特性用于表示向量的学习.实验结果表明使用本文的算法学得的网络表示向量进行异常检测得到的结果优于最新的子图异常检测算法SpotLight,并且显著优于传统的网络表示学习算法.除了能够提升异常检测的准确度,本文的算法也能够挖掘网络中存在的有实际意义的异常.  相似文献
1
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号