MétaCan
Menu
Retour à la cohorte
Enregistrement W7125934732 · doi:10.1109/smc58881.2025.11343641

GEE: Graphormer-Enhanced Encoder Model for Anomaly Detection in Weighted Signed Networks

2025· article· W7125934732 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

Revuenon disponible
Typearticle
Langue
DomaineComputer Science
ThématiqueAdvanced Graph Neural Networks
Établissements canadiensNew York Institute of Technology
Organismes subventionnairesnon disponible
Mots-clésEncoderEmbeddingAutoencoderEncoding (memory)Anomaly detectionEnhanced Data Rates for GSM Evolution

Résumé

récupéré en direct d'OpenAlex

Complex network structures with signed and weighted relationships are common in many real-world systems. We present Graphormer-Enhanced Encoder (GEE), a transformer-based model for anomaly detection in such graphs. GEE extends Graph-BERT’s subgraph batching with Graphormer-style attention, integrating a signed-edge Weisfeiler-Lehman (WL) absolute positional embedding to capture global structure and edge signs, and an edge-weight encoding within the attention mechanism to incorporate rating magnitudes. We also prove two properties of the signed WL formulation. Experiments on the Bitcoin Alpha and Bitcoin OTC networks demonstrate that GEE can effectively detect anomalies in complex weighted signed networks.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,910
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,006
Études des sciences et des technologies0,0010,000
Communication savante0,0000,002
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,011
Tête enseignante GPT0,255
Écart entre enseignants0,245 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAdvanced Graph Neural NetworksTravaux en français237 207