BGPハイジャックとは？
BGPハイジャックとは？ BGPハイジャックとは、攻撃者が悪意を持ってインターネットトラフィックを再ルーティングすることです。攻撃者は、IPプレフィックスと呼ばれる、実際には所有していない、制御していない、またはルーティングしていないIPアドレスグループの所有権を偽って知らせることでこれを実現します。BGPハイジャックは、誰かが高速道路のすべての標識を変更し、自動車のトラフィックを誤った出口に再ルーティングするようなものです。 BGPは相互接続されたネットワークが所有するIPアドレスについて真実を伝えているという前提に基づいて構築されているため、BGPハイジャックを止めることはほぼ不可能です。高速道路標識を誰も管理していない場合を想像してください。それらが悪意を持って変更されたかどうかを知る唯一の方法は、多くの自動車が間違った地域に行き着くのを観察することだけです。ただし、ハイジャックが発
Microsoft researchers unlock the black box of network embedding - Microsoft Research
At the ACM Conference on Web Search and Data Mining 2018 (opens in new tab), my team will introduce research that, for the first time, provides a theoretical explanation of popular methods used to automatically map the structure and characteristics of networks, known as network embedding. We then use this theoretical explanation to present a new network embedding method that performs as well as or
bnlearn - Bayesian network structure learning
Features bnlearn provides an open implementation of large parts of the literature on Bayesian networks: Classes of Bayesian networks: discrete (multinomial) Bayesian networks for discrete data, Gaussian Bayesian networks for continuous data and Conditional Gaussian networks for mixed data. Structure learning algorithms: constraint-based (PC Stable, Grow-Shrink, IAMB, Fast-IAMB, Inter-IAMB, IAMB-FD
離散曲面上のガウス曲率 - 驚異のアニヲタ社会復帰の予備
3次元メッシュ上の点のガウス曲率を求める。 これとかこれ (PDF)とかに載っている。 あるvertex の周辺に の点がある。これはよく1-ring と書かれている。 結論から書くと、青で示された面積, で囲まれる三角形のの角度を用いて で定められる。曲面についてオイラー数とかガウス・ボネの定理とか使うと求まる。 のとき、である。これは、もともと基本曲率によってガウス曲率がと書けることにより、, のどちらかが0である。このとき、1-ringのは平面となるのに一致してそう。 具体的な計算は、で囲まれる三角形について、が鋭角(non-obtuse)ならば外心点を、が鈍角(obtuse)ならばedge の中点とする。がすべて外心ならばボロノイ分割となるが、中点が混じればmixed cell という。 このとき、青色の領域の面積は 図はPDFより借用。 mesh オブジェクトの四元数座標、三角形
Cloudera Blog
In an era where artificial intelligence (AI) is reshaping enterprises across the globe—be it in healthcare, finance, or manufacturing—it’s hard to overstate the transformation that AI has had on businesses, regardless of industry or size. At Cloudera, we recognize the urgent need for bold steps to harness this potential and dramatically accelerate the time to […] Read blog post
グラフカーネルのメモ
Weisfeiler-Lehmanグラフカーネルについてのメモである．特に冒頭のグラフカーネルを俯瞰したイントロあたりを読んで面白かったので力尽きるまで読んだ．あと書いている人はカーネル法の研究者でもなければ，グラフに関した機械学習の研究者でもありませんので，気軽に読んでくださいね(これはいわゆる，マクドナルドで女子高生がXXメソッド)． N. Shervashidze et al., Weisfeiler-Lehman Graph Kernels, JMLR, vol. 12, pp. 2539-2561, 2011. お約束: Preliminary ラベル付きグラフG=(V, E, l)，ラベルは自然数とする． N(v)でvの近傍を表す． Walk: edgeの列で，Path: 異なる節点を通るようなWalk（たぶん） 部分木: サイクルを含まない部分グラフ 部分木パターン: 同じ節
scikit-learn準拠で Label propagation とか実装した - でかいチーズをベーグルする
scikit-learn準拠で Label propagation 的なアルゴリズム達を実装した。なんで実装したかというと、 グラフそのもの（隣接行列）を入力したい。 scikit-learnには既にsklearn.semi_supervised.LabelPropagationが実装されてるけど、これはグラフを入力するんじゃなくて、普通にサンプル数×特徴数のデータ行列を与えて、そこから類似度グラフを作るようになってる。これだと例えば手元にソーシャルグラフがあって、そのユーザ（ノード）の属性（興味とか）を Label propagation で推定するということができない。 ハイパーパラメータを楽に決めたい。 自分でグリッドサーチとかやるのはめんどくさいので、sklearn.grid_search.GridSearchCVとかを使いたい。そのためにsklearn準拠にした。 自分の研究成果
Deep graphs—A general framework to represent and analyze heterogeneous complex systems across scales
Neo4j ユーザー勉強会 #7に参加してきた。 - INPUTしたらOUTPUT!
以下メモ Neo4j ユーザー勉強会 #7 - connpass データの注意点&勉強会スタート CSVファイルしかなかったがNeo4j形式のファイルも配布されるようになった Graph Connect Europe イベント報告 GraphConnect Europe誰も行っていないw パナマ文書の概要 ICIJがパナマ文書について1時間半くらい説明 Mar Cabra ICIJ, Data & Research Unitのトップ OffShoreLeaks, China Leaks, Luxemburg Leaks, Swiss Leaks, Panama Papers 2.6TB, 11.5M, 214k社の企業 3人のエンジニアでパナマ文書の分析をIT化した 親族を通してオフショア企業に登記するケース グラフデータベースはこの分野に強い Oxwallでジャーナリスト間でデータ共有
「パナマ文書」解析の技術的側面
世界中で話題になっているパナマ文書。各国で政権を揺るがすような事態にもなっていますが、純粋にデータとしてみた場合、これは計算機やデータ解析に関わる人々にも面白いものだと思います。データの中身や背景などについてはさんざん報道されていますのでここでは触れません。一方、現場でどのような作業が行われているのかはあまり報道されていません。現実的な問題として、人力ではどうしようもない量のリークデータを手に入れた場合、調査報道機関はどんなことを行っているのでしょうか？私も以前から疑問に思っていたのですが、先日あるデータベース企業と、データ分析アプリケーションを作成する会社のブログにて、その実際の一端を窺うことができる投稿がありました: Panama Papers: How Linkurious enables ICIJ to investigate the massive Mossack Fonseca
VLDB'14 論文採択：グラフの構造を活用した Personalized PageRank の高速計算 - iwiwiの日記
論文が国際学会 VLDB'14 に採択されました．VLDB (International Conference on Ver Large Data Bases) は SIGMOD と並ぶデータベースの最も有名な学会です．学会は 9 月に中国の杭州です． 今回の論文は "Computing Personalized PageRank Quickly by Exploiting Graph Structures" というタイトルで，NII の前原さん，同じ研究室の岩田, NII の河原林先生との共著です． 内容 この論文は大規模なソーシャルネットワークやウェブグラフにおいて Personalized PageRank を高速に計算する手法を提案する論文です．Personalized PageRank は有名な PageRank の一般化です．PageRank が担っていた重要度の計算の他，関連
Personalized PageRankとLabel Propagationが等価という話 - でかいチーズをベーグルする
無向グラフの時のPersonalized PageRank*1とLabel Propagation*2（LGCとも呼ばれる）が本質的に等価というお話。つまりLabel Propagationを計算したいときはPersonalized PageRankを計算すれば等価な結果が得られる。Personalized PageRankとLabel Propagationを知ってる人向けに書くのでわからない人はブラウザの戻るボタンを押してね。 まず、Label Propagationは以下のように書ける。 ただし、で、Wはデータ間の類似度行列、Dは次数の対角行列を示す。また、yはlabeled exampleのラベルを格納するベクトルで、positiveなら1、そうでなければ0を格納する（unlabeledも0）。αは0から1のパラメータ。この等式を満たすfが求められればLabel Propagati
🍭ホクソエムのつながりをNeo4Jを使って確かめる - cucumber flesh
先日、Neo4Jというオープンソースで開発されるグラフデータベースの存在を知りました。恥ずかしながら、グラフデータベース？なにそれ美味しいの？という知識しかありませんでしたが、どうやらNoSQL（リレーショナルデータベースだけがデータベースではない）の流れを組んで誕生したものらしいです。グラフデータベースは、表形式で表現されるリレーショナルデータベースに対して、データ間の関係性を表現するのに向いています。 気になるものがあるとすぐにRパッケージを探し出してしまう性分なので調べてみると、すぐに {RNeo4j}というパッケージが見つかりました。というわけでこの{RNeo4j}パッケージを使ってNeo4Jの扱いについて慣れていこうというメモです。 今回は適当な例として来月に結成１周年を迎える匿名知的集団「ホクソエム」のメンバー間のTwitter上でのフォロー状況について整理してみることにします
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
On the networked architecture of genotype spaces and its critical effects on molecular evolution
Robust Spatial Filtering with Graph Convolutional Neural Networks
http://web.stanford.edu/group/mmds/slides2008/lim.pdf
The Evolutionary Origins of Hierarchy
Visualizing the R packages galaxy – Piece of K
Accelerating Graph Betweenness Centrality with CUDA | NVIDIA Technical Blog
Succinct de Bruijn Graphs