בעולם שבו רשתות מורכבות מנוהלות על ידי אלגוריתמים, זיהוי חריגות קבוצתיות הופך לאתגר מרכזי. חוקרים פרסמו מאמר חדש ב-arXiv המציג את GFM4GA – מודל בסיס גרף (Graph Foundation Model) שמתמודד בהצלחה עם בעיה זו. המודל מבוסס על הצלחת מודלי שפה גדולים ומתאים אותם לגרפים, ומאפשר למידה בעזרת דוגמאות מעטות ללא מאמץ תיוג רב. GFM4GA פותר בעיה מרכזית: זיהוי קבוצות חריגות שלמות, גם אם הפרטים בהן נראים תקינים. זה רלוונטי במיוחד ליישומי רשתות כמו זיהוי הונאות או תקלות במערכות.
GFM4GA מועשר בשלב אימון מקדים באמצעות למידה ניגודית בשני רמות: הערכה מבוססת תכונות וחילוץ קבוצות. השיטה הזו לוכדת מבנה חריגות קבוצתיות פוטנציאליות ואי התאמות בתכונות. לפי המאמר, האימון המקדים מאפשר למודל להבין דפוסים מורכבים של חריגות קבוצתיות, בניגוד למודלי בסיס גרף קיימים שמצטיינים רק בזיהוי חריגים בודדים. השלב הזה חיוני להתמודדות עם גיוון רב של דפוסי חריגות.
בשלבי המשימות הבאים, GFM4GA מותאם מחדש (finetuned) בהגדרות few-shot מוגבלות-פרמטרים ומשוקללות לפי יחס חריגות קבוצתיות. המודל מרחיב את יכולת ההסתגלות שלו לחריגות קבוצתיות לא נראויות בעבר באמצעות הקשרי קבוצות שנקבעים על פי שכנים חריגים מתויגים. ניסויים מראים כי GFM4GA עולה על גלאי חריגות קבוצתיות אחרים ועל מודלי GFM לחריגים בודדים, עם שיפורים ממוצעים של 2.85% ב-AUROC ו-2.55% ב-AUPRC.
המשמעות של GFM4GA גדולה לעסקים ישראליים בתחומי הסייבר, פינטק ותשתיות. בעוד שמודלים קודמים נכשלים בזיהוי קבוצות חריגות בגלל מראה 'תקין' של הפרטים, GFM4GA מטפל בזה באופן אינטליגנטי. בהשוואה לחלופות, הוא מציע גישה יעילה יותר עם פחות נתונים מתויגים, מה שחוסך זמן ומשאבים. בישראל, שבה חברות כמו צ'ק פוינט ומובילאיי משתמשות בגרפים לזיהוי איומים, טכנולוגיה זו יכולה לשפר מערכות קיימות.
עבור מנהלי טכנולוגיה, GFM4GA פותח אפשרויות חדשות ליישומים עסקיים. כיצד תיישמו זאת במערכת הרשתות שלכם? המאמר מדגיש את הפוטנציאל לשיפור ביצועים מיידי, ומספק בסיס למחקר נוסף. קראו את המאמר המלא ב-arXiv כדי להתעמק.