論文の概要: Issues with Propagation Based Models for Graph-Level Outlier Detection

• arxiv url: http://arxiv.org/abs/2012.12931v2
• Date: Tue, 2 Mar 2021 18:34:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-25 18:18:42.527372
• Title: Issues with Propagation Based Models for Graph-Level Outlier Detection
• Title（参考訳）: グラフレベル外乱検出のための伝搬モデルの問題
• Authors: Lingxiao Zhao, Leman Akoglu
• Abstract要約: Graph-Level Outlier Detection (GLOD)は、グラフデータベース内の異常なグラフを識別するタスクである。 本稿では, GLODに伝搬モデルを適用し, 基本的かつ興味深い問題に対処する。 モデルのROC-AUC性能は、どのクラスがダウンサンプリングされるかによって大きく変化します。
• 参考スコア（独自算出の注目度）: 16.980621769406916
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Graph-Level Outlier Detection (GLOD) is the task of identifying unusual graphs within a graph database, which received little attention compared to node-level detection in a single graph. As propagation based graph embedding by GNNs and graph kernels achieved promising results on another graph-level task, i.e. graph classification, we study applying those models to tackle GLOD. Instead of developing new models, this paper identifies and delves into a fundamental and intriguing issue with applying propagation based models to GLOD, with evaluation conducted on repurposed binary graph classification datasets where one class is down-sampled as outlier. We find that ROC-AUC performance of the models change significantly (flips from high to low) depending on which class is down-sampled. Interestingly, ROC-AUCs on these two variants approximately sum to 1 and their performance gap is amplified with increasing propagations. We carefully study the graph embedding space produced by propagation based models and find two driving factors: (1) disparity between within-class densities which is amplified by propagation, and (2) overlapping support (mixing of embeddings) across classes. Our study sheds light onto the effects of using graph propagation based models and classification datasets for outlier detection for the first time.
• Abstract（参考訳）: グラフレベルの異常検出 (glod: graph-level outlier detection) は、グラフデータベース内の異常なグラフを識別する作業である。 GNNとグラフカーネルによるグラフ埋め込みは、他のグラフレベルタスク、すなわち、有望な結果を得た。 グラフ分類では、これらのモデルを用いてGLODに取り組む。 本論文は,新しいモデルを開発する代わりに,GLODに伝搬モデルを適用することによる基本的かつ興味深い問題に着目し,一方のクラスを外れ値としてダウンサンプリングしたバイナリグラフ分類データセットを用いて評価する。 モデルのROC-AUC性能は,どのクラスがダウンサンプリングされているかによって大きく変化する。 興味深いことに、これら2つの変種に対するROC-AUCは1に略し、その性能ギャップは伝播の増加とともに増幅される。 本研究では,伝搬モデルにより生成されたグラフ埋め込み空間を慎重に研究し,(1)伝播によって増幅されるクラス内密度の相違,(2)クラス間の重なり合う支持(埋め込みの混合)の2つの駆動因子を求める。 本研究は, グラフ伝搬モデルと分類データセットを用いて, 初めて外乱検出を行った結果に光を当てるものである。

関連論文リスト

• GSpect: Spectral Filtering for Cross-Scale Graph Classification [9.800723513820046]
  クロススケールグラフ分類タスクのための高度なスペクトルグラフフィルタリングモデルであるGSpectを提案する。 オープンデータセットでは、GSpectは分類精度を平均1.62%改善し、ProteINSでは最大3.33%向上した。 GSpectは、クロススケールグラフ分類研究のギャップを埋め、脳疾患の診断のような応用研究を支援する可能性がある。
  論文  参考訳（メタデータ） (2024-08-31T03:26:32Z)
• Generation is better than Modification: Combating High Class Homophily Variance in Graph Anomaly Detection [51.11833609431406]
  異なるクラス間のホモフィリー分布の差は、ホモフィリックグラフやヘテロフィリックグラフよりも著しく大きい。 我々は、この現象を定量的に記述した、クラスホモフィリーバリアンスと呼ばれる新しい計量を導入する。 その影響を軽減するために,ホモフィリーエッジ生成グラフニューラルネットワーク(HedGe)と呼ばれる新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2024-03-15T14:26:53Z)
• Mitigating Label Noise on Graph via Topological Sample Selection [72.86862597508077]
  トポロジ情報を活用することで,グラフ内の情報的サンプル選択プロセスを促進できる$textitTopological Sample Selection$ (TSS)法を提案する。 提案手法は,対象のクリーン分布下での予測されるリスク上限の上限を最小化し,最先端のベースラインと比較して,提案手法の優位性を実験的に示す。
  論文  参考訳（メタデータ） (2024-03-04T11:24:51Z)
• Graph Out-of-Distribution Generalization with Controllable Data Augmentation [51.17476258673232]
  グラフニューラルネットワーク(GNN)は,グラフ特性の分類において異常な性能を示した。 トレーニングとテストデータの選択バイアスが原因で、分散偏差が広まっています。 仮想サンプルの分布偏差を測定するためのOODキャリブレーションを提案する。
  論文  参考訳（メタデータ） (2023-08-16T13:10:27Z)
• 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)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)
• 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)
• GraphAnoGAN: Detecting Anomalous Snapshots from Attributed Graphs [36.00861758441135]
  異常なスナップショットランキングフレームワークであるGraphAnoGANを提案する。 2つのコアコンポーネント - 生成モデルと識別モデル - で構成されている。 4つの実世界のネットワークでの実験では、GraphAnoGANは6つのベースラインをはるかに上回っている。
  論文  参考訳（メタデータ） (2021-06-29T15:35:37Z)
• Line Graph Neural Networks for Link Prediction [71.00689542259052]
  実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。 このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。 本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。 特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
  論文  参考訳（メタデータ） (2020-10-20T05:54:31Z)
• Certified Robustness of Graph Classification against Topology Attack with Randomized Smoothing [22.16111584447466]
  グラフベースの機械学習モデルは、非i.dなグラフデータの性質のため、敵対的な摂動に弱い。 堅牢性を保証するスムーズなグラフ分類モデルを構築した。 グラフ畳み込みネットワーク(GCN)に基づくマルチクラスグラフ分類モデルにおいて,提案手法の有効性を評価する。
  論文  参考訳（メタデータ） (2020-09-12T22:18:54Z)
• Few-Shot Learning on Graphs via Super-Classes based on Graph Spectral Measures [14.932318540666545]
  グラフニューラルネットワーク (GNN) におけるショットグラフ分類の問題について, 限定ラベル付きグラフの場合, 未確認のクラスを認識するために検討した。 グラフ正規化ラプラシアンのスペクトルに基づいて確率測度を各グラフに割り当てる手法を提案する。
  論文  参考訳（メタデータ） (2020-02-27T17:11:14Z)

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。