論文の概要: One-Class Graph Neural Networks for Anomaly Detection in Attributed Networks

• arxiv url: http://arxiv.org/abs/2002.09594v2
• Date: Sat, 6 Jun 2020 11:28:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-29 18:42:50.447916
• Title: One-Class Graph Neural Networks for Anomaly Detection in Attributed Networks
• Title（参考訳）: 帰属ネットワークにおける異常検出のための一級グラフニューラルネットワーク
• Authors: Xuhong Wang, Baihong Jin, Ying Du, Ping Cui and Yupu Yang
• Abstract要約: One Class Graph Neural Network (OCGNN) は、グラフ異常検出のための一級分類フレームワークである。 OCGNNは、グラフニューラルネットワークの強力な表現能力と古典的な一流の目的を組み合わせるように設計されている。
• 参考スコア（独自算出の注目度）: 2.591494941326856
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nowadays, graph-structured data are increasingly used to model complex systems. Meanwhile, detecting anomalies from graph has become a vital research problem of pressing societal concerns. Anomaly detection is an unsupervised learning task of identifying rare data that differ from the majority. As one of the dominant anomaly detection algorithms, One Class Support Vector Machine has been widely used to detect outliers. However, those traditional anomaly detection methods lost their effectiveness in graph data. Since traditional anomaly detection methods are stable, robust and easy to use, it is vitally important to generalize them to graph data. In this work, we propose One Class Graph Neural Network (OCGNN), a one-class classification framework for graph anomaly detection. OCGNN is designed to combine the powerful representation ability of Graph Neural Networks along with the classical one-class objective. Compared with other baselines, OCGNN achieves significant improvements in extensive experiments.
• Abstract（参考訳）: 今日では、グラフ構造化データは複雑なシステムのモデリングにますます利用されている。 一方,グラフからの異常検出は社会的な懸念を喚起する重要な研究課題となっている。 異常検出は、多数派と異なるまれなデータを識別する教師なしの学習タスクである。 主要な異常検出アルゴリズムの1つとして、1つのクラスサポートベクターマシンが異常検出に広く使われている。 しかし,従来の異常検出手法ではグラフデータの有効性が失われている。 従来の異常検出手法は安定しており、堅牢で使いやすく、グラフデータに一般化することが極めて重要である。 本研究では,グラフ異常検出のための一クラス分類フレームワークであるOne Class Graph Neural Network (OCGNN)を提案する。 OCGNNは、グラフニューラルネットワークの強力な表現能力と古典的な一流の目的を組み合わせるように設計されている。 他のベースラインと比較して、OCGNNは広範な実験において大幅に改善されている。

関連論文リスト

• Multitask Active Learning for Graph Anomaly Detection [48.690169078479116]
  MultItask acTIve Graph Anomaly Detection framework,すなわちMITIGATEを提案する。 ノード分類タスクを結合することにより、MITIGATEは既知の異常を伴わずに配布外ノードを検出する能力を得る。 4つのデータセットに関する実証的研究は、MITIGATEが異常検出のための最先端の手法を著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2024-01-24T03:43:45Z)
• ADA-GAD: Anomaly-Denoised Autoencoders for Graph Anomaly Detection [84.0718034981805]
  我々はAnomaly-Denoized Autoencoders for Graph Anomaly Detection (ADA-GAD)という新しいフレームワークを導入する。 第1段階では,異常レベルを低減したグラフを生成する学習自由な異常化拡張法を設計する。 次の段階では、デコーダは元のグラフで検出するために再訓練される。
  論文  参考訳（メタデータ） (2023-12-22T09:02:01Z)
• Normality Learning-based Graph Anomaly Detection via Multi-Scale Contrastive Learning [61.57383634677747]
  グラフ異常検出(GAD)は、機械学習やデータマイニングにおいて注目を集めている。 本稿では,マルチスケールコントラスト学習ネットワーク(NLGAD,略語)による正規性学習に基づくGADフレームワークを提案する。 特に,提案アルゴリズムは,最先端手法と比較して検出性能(最大5.89%のAUCゲイン)を向上させる。
  論文  参考訳（メタデータ） (2023-09-12T08:06:04Z)
• Graph Anomaly Detection with Unsupervised GNNs [19.772490600670363]
  グラフニューラルネットワーク(GNN)に基づくエンドツーエンドのグラフレベルの異常検出モデルであるGLAMを設計する。 また,これまでに検討されていない分布異常の検出を目的とした,MDDプールと呼ばれるグラフレベルの埋め込みのための新しいプール方式を提案する。
  論文  参考訳（メタデータ） (2022-10-18T01:59:58Z)
• Graph Anomaly Detection with Graph Neural Networks: Current Status and Challenges [9.076649460696402]
  グラフニューラルネットワーク(GNN)は広く研究され、困難な機械学習タスクを成功させた。 本調査は,GNNに基づくグラフ異常検出手法の総合的なレビューとしては初めてである。
  論文  参考訳（メタデータ） (2022-09-29T16:47:57Z)
• Deep Graph-level Anomaly Detection by Glocal Knowledge Distillation [61.39364567221311]
  グラフレベルの異常検出(GAD)は、その構造やノードの特徴に異常なグラフを検出する問題を記述している。 GADの課題の1つは、局所的および大域的非正則グラフの検出を可能にするグラフ表現を考案することである。 本稿では,グラフとノード表現の連成ランダム蒸留により,グローバルおよびローカルな正規パターン情報を豊富に学習するGADのための新しい深部異常検出手法を提案する。
  論文  参考訳（メタデータ） (2021-12-19T05:04:53Z)
• Deep Fraud Detection on Non-attributed Graph [61.636677596161235]
  グラフニューラルネットワーク(GNN)は不正検出に強い性能を示している。 ラベル付きデータは大規模な産業問題、特に不正検出には不十分である。 よりラベルのないデータを活用するための新しいグラフ事前学習戦略を提案する。
  論文  参考訳（メタデータ） (2021-10-04T03:42:09Z)
• An Introduction to Robust Graph Convolutional Networks [71.68610791161355]
  本論文では, 誤りのある単一ビューあるいは複数ビューのデータに対して, 新たなロバストグラフ畳み込みニューラルネットワークを提案する。 従来のグラフ畳み込みネットワークにAutoencodersを介して余分なレイヤを組み込むことで、典型的なエラーモデルを明示的に特徴付けおよび処理します。
  論文  参考訳（メタデータ） (2021-03-27T04:47:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。