論文の概要: Anomaly Detection in Large Labeled Multi-Graph Databases
- arxiv url: http://arxiv.org/abs/2010.03600v2
- Date: Mon, 2 May 2022 01:36:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-09 22:45:50.219692
- Title: Anomaly Detection in Large Labeled Multi-Graph Databases
- Title（参考訳）: 大規模ラベル付きマルチグラフデータベースにおける異常検出
- Authors: Hung T. Nguyen, Pierre J. Liang, Leman Akoglu
- Abstract要約: CODETECTは,グラフデータベースの異常検出タスクに,そのような複雑な性質で対処する最初のアプローチである。
3つの異なる企業におけるトランザクショングラフデータベースにおけるCODETECTの有効性を示す。
- 参考スコア（独自算出の注目度）: 16.964960579221238
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Within a large database G containing graphs with labeled nodes and directed,
multi-edges; how can we detect the anomalous graphs? Most existing work are
designed for plain (unlabeled) and/or simple (unweighted) graphs. We introduce
CODETECT, the first approach that addresses the anomaly detection task for
graph databases with such complex nature. To this end, it identifies a small
representative set S of structural patterns (i.e., node-labeled network motifs)
that losslessly compress database G as concisely as possible. Graphs that do
not compress well are flagged as anomalous. CODETECT exhibits two novel
building blocks: (i) a motif-based lossless graph encoding scheme, and (ii)
fast memory-efficient search algorithms for S. We show the effectiveness of
CODETECT on transaction graph databases from three different corporations,
where existing baselines adjusted for the task fall behind significantly,
across different types of anomalies and performance metrics.
- Abstract（参考訳）: ラベル付きノードと有向多重エッジを持つグラフを含む大規模データベースG内で、どのように異常グラフを検出するのか?
既存の作業のほとんどは、平易(ラベルなし)および/または単純(アンウェイト付き)グラフ用に設計されている。
CODETECTは,グラフデータベースの異常検出タスクに,そのような複雑な性質で対処する最初のアプローチである。
この目的のために、データベースGを可能な限り簡潔に圧縮する構造パターン(ノードラベル付きネットワークモチーフ)の小さな代表集合Sを特定する。
圧縮がよくないグラフは異常としてフラグ付けされる。
CODETECTは2つの新しいビルディングブロックを展示しています。
(i)モチーフに基づくロスレスグラフ符号化方式、及び
(ii) s の高速メモリ効率検索アルゴリズムは、3 つの異なる企業によるトランザクショングラフデータベースにおける共検出の有効性を示し、そこでは、タスク用に調整された既存のベースラインが、異なる種類の異常とパフォーマンス指標で大幅に遅れている。
関連論文リスト
- 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) - ADAMM: Anomaly Detection of Attributed Multi-graphs with Metadata: A
Unified Neural Network Approach [39.211176955683285]
有向多重グラフを処理する新しいグラフニューラルネットワークモデルADAMMを提案する。
ADAMMは、教師なしの異常検出目的を通じてメタデータとグラフレベルの表現学習を融合する。
論文 参考訳（メタデータ） (2023-11-13T14:19:36Z) - Towards Self-Interpretable Graph-Level Anomaly Detection [73.1152604947837]
グラフレベルの異常検出(GLAD)は、コレクションの大多数と比べて顕著な相違を示すグラフを識別することを目的としている。
本稿では,異常なグラフを検出し,同時に情報的説明を生成する自己解釈グラフaNomaly dETectionモデル(SIGNET)を提案する。
論文 参考訳（メタデータ） (2023-10-25T10:10:07Z) - A Graph Encoder-Decoder Network for Unsupervised Anomaly Detection [7.070726553564701]
グラフから異常ノードを検出するための教師なしグラフエンコーダデコーダモデルを提案する。
符号化段階では、クラスタ割り当て行列を見つけるためにLCPoolと呼ばれる新しいプール機構を設計する。
復号段階ではLCUnpoolと呼ばれるアンプール演算を提案し,元のグラフの構造と結節の特徴を再構築する。
論文 参考訳（メタデータ） (2023-08-15T13:49:12Z) - DAGAD: Data Augmentation for Graph Anomaly Detection [57.92471847260541]
本稿では、属性グラフのための新しいデータ拡張ベースのグラフ異常検出(DAGAD)フレームワークを考案する。
3つのデータセットに関する一連の実験は、DAGADが様々な主に使用されるメトリクスに関して、10の最先端のベースライン検出器より優れていることを証明している。
論文 参考訳（メタデータ） (2022-10-18T11:28:21Z) - 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) - Subgraph Matching via Query-Conditioned Subgraph Matching Neural
Networks and Bi-Level Tree Search [33.9052190473029]
サブグラフマッチングは、グラフデータベース検索、バイオメディカル分析、ソーシャルグループ検索などにおける中核的な操作である。
本稿では,クエリと対象グラフのマッチング情報を動的に計算する,新しいエンコーダ・デコーダニューラルネットワークアーキテクチャを提案する。
5つの大きな実世界のターゲットグラフの実験により、N-BLSはサブグラフマッチング性能を大幅に改善できることが示された。
論文 参考訳（メタデータ） (2022-07-21T04:47:21Z) - 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) - Inverse Graph Identification: Can We Identify Node Labels Given Graph
Labels? [89.13567439679709]
グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。
本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。
本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
論文 参考訳（メタデータ） (2020-07-12T12:06:17Z) - Structural Temporal Graph Neural Networks for Anomaly Detection in
Dynamic Graphs [54.13919050090926]
本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。
特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。
抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
論文 参考訳（メタデータ） (2020-05-15T09:17:08Z)
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。