本記事では、ネットワーク攻撃および侵入を検出するためのネットワーク侵入検知システム（NIDS）の重要性を述べています。特に既存の監視学習方法は、正確にラベル付けされたデータセットを必要とし、これを得るには高コストが伴います。これに対抗するため、著者たちはAutoGraphADという新たな非監視異常検出アプローチを提案します。この手法は、接続とIPノードから構成される異種グラフを使用しており、時間窓内のネットワーク活動を捉えます。AutoGraphADは、ラベルデータなしでトレーニングされ、再構成損失、構造損失およびKLダイバージェンスを組み合わせて異常スコアを算出します。その結果、以前の非監視アプローチと同等かそれ以上の性能を実現しながら、コストのかかる後処理異常検出器を不要とし、約1.18倍の早さでトレーニング及び1.03倍早い推論が可能です。