論文の概要: Hop-Count Based Self-Supervised Anomaly Detection on Attributed Networks
- arxiv url: http://arxiv.org/abs/2104.07917v1
- Date: Fri, 16 Apr 2021 06:43:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-19 14:12:11.126426
- Title: Hop-Count Based Self-Supervised Anomaly Detection on Attributed Networks
- Title（参考訳）: 帰属ネットワークにおけるホップ数に基づく自己教師付き異常検出
- Authors: Tianjin Huang, Yulong Pei, Vlado Menkovski and Mykola Pechenizkiy
- Abstract要約: ローカル情報とグローバルコンテキスト情報の両方をモデル化して異常を検出するHCM(Hop-count based model)を提案する。
ホップカウントを異常識別に有効活用するため,ホップカウント予測を自己監視タスクとして用いることを提案する。
- 参考スコア（独自算出の注目度）: 8.608288231153304
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent years have witnessed an upsurge of interest in the problem of anomaly
detection on attributed networks due to its importance in both research and
practice. Although various approaches have been proposed to solve this problem,
two major limitations exist: (1) unsupervised approaches usually work much less
efficiently due to the lack of supervisory signal, and (2) existing anomaly
detection methods only use local contextual information to detect anomalous
nodes, e.g., one- or two-hop information, but ignore the global contextual
information. Since anomalous nodes differ from normal nodes in structures and
attributes, it is intuitive that the distance between anomalous nodes and their
neighbors should be larger than that between normal nodes and their neighbors
if we remove the edges connecting anomalous and normal nodes. Thus, hop counts
based on both global and local contextual information can be served as the
indicators of anomaly. Motivated by this intuition, we propose a hop-count
based model (HCM) to detect anomalies by modeling both local and global
contextual information. To make better use of hop counts for anomaly
identification, we propose to use hop counts prediction as a self-supervised
task. We design two anomaly scores based on the hop counts prediction via HCM
model to identify anomalies. Besides, we employ Bayesian learning to train HCM
model for capturing uncertainty in learned parameters and avoiding overfitting.
Extensive experiments on real-world attributed networks demonstrate that our
proposed model is effective in anomaly detection.
- Abstract（参考訳）: 近年,研究と実践の両面での重要性から,属性ネットワーク上の異常検出問題への関心が高まっている。
この問題を解決するために様々なアプローチが提案されているが、(1)教師なしのアプローチは通常、監督信号の欠如によりより効果的に動作せず、(2)既存の異常検出手法では、ローカルな文脈情報のみを使用して異常なノード(例えば、1つか2つのホップ情報)を検出するが、グローバルな文脈情報を無視している。
異常ノードは構造や属性の正常ノードと異なるため、異常ノードと隣接ノードとの間の距離は、異常ノードと正常ノードを接続するエッジを除去した場合、正常ノードと隣接ノードとの間の距離よりも大きいことが直感的である。
したがって、グローバル情報とローカル情報の両方に基づくホップカウントは、異常の指標として機能することができる。
この直感により,局所的およびグローバルな文脈情報の両方をモデル化し,異常を検出するホップカウントベースモデル(HCM)を提案する。
ホップ数を異常同定に利用するために,ホップ数予測を自己教師付きタスクとして用いることを提案する。
hcmモデルによるホップカウント予測に基づく2つの異常スコアを設計し,異常を同定した。
さらに,ベイズ学習を用いてhcmモデルの学習を行い,学習パラメータの不確かさを把握し,過フィッティングを回避する。
実世界帰属ネットワークに関する広範な実験により,提案手法が異常検出に有効であることが示された。
関連論文リスト
- Alleviating Structural Distribution Shift in Graph Anomaly Detection [70.1022676681496]
グラフ異常検出(GAD)は二項分類の問題である。
ガロン神経ネットワーク(GNN)は、同胞性隣人からの正常の分類に有用である。
ヘテロ親水性隣人の影響を緩和し、不変にするための枠組みを提案する。
論文 参考訳（メタデータ） (2024-01-25T13:07:34Z) - 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) - SCALA: Sparsification-based Contrastive Learning for Anomaly Detection
on Attributed Networks [19.09775548036214]
属性付きネットワーク上の異常検出は、他の多数ノードと大きく異なる振る舞いを持つノードを見つけることを目的としている。
本稿では,ネットワークの埋め込み品質向上を目的とした,属性付きネットワーク上での異常検出のための新しいコントラスト学習フレームワークである textbfSCALA を提案する。
5つのベンチマーク実世界のデータセットで大規模な実験が行われ、結果はSCALAがすべてのベースライン手法を大幅に上回っていることを示している。
論文 参考訳（メタデータ） (2024-01-03T08:51:18Z) - Open-Set Graph Anomaly Detection via Normal Structure Regularisation [30.638274744518682]
Open-set Graph Anomaly Detection (GAD)は、少数の正規ノードと異常ノードを使用して検出モデルをトレーニングすることを目的としている。
現在の監督型GAD法は、目に見えない異常を正常なノードとして検出する多くの誤りを招き、その異常を過度に強調する傾向にある。
本稿では,新しいオープンセットGAD手法,すなわち正規構造正規化(NSReg)を提案する。
論文 参考訳（メタデータ） (2023-11-12T13:25:28Z) - Label-based Graph Augmentation with Metapath for Graph Anomaly Detection [8.090325400557697]
本稿では,2つのエンコーダとデコーダの両方にGCN層を組み込んだMetapath-based Graph Anomaly Detection (MGAD)を提案する。
本稿では,7つの実世界のネットワークを対象とした総合的な実験を通して,MGAD法が最先端技術よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-08-21T05:41:05Z) - Decoupling anomaly discrimination and representation learning:
self-supervised learning for anomaly detection on attributed graph [18.753970895946814]
DSLADは、異常検出のために分離された異常識別と表現学習を備えた自己教師型手法である。
さまざまな6つのベンチマークデータセットで実施された実験は、DSLADの有効性を明らかにしている。
論文 参考訳（メタデータ） (2023-04-11T12:23:40Z) - ARISE: Graph Anomaly Detection on Attributed Networks via Substructure
Awareness [70.60721571429784]
サブ構造認識(ARISE)による属性付きネットワーク上の新しいグラフ異常検出フレームワークを提案する。
ARISEは、異常を識別するグラフのサブ構造に焦点を当てている。
実験により、ARISEは最先端の属性付きネットワーク異常検出(ANAD)アルゴリズムと比較して、検出性能が大幅に向上することが示された。
論文 参考訳（メタデータ） (2022-11-28T12:17:40Z) - Are we certain it's anomalous? [57.729669157989235]
時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。
本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。
HypADは自己指導で入力信号を再構築する。
論文 参考訳（メタデータ） (2022-11-16T21:31:39Z) - Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。
提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。
我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
論文 参考訳（メタデータ） (2021-08-01T14:33:17Z) - Few-shot Network Anomaly Detection via Cross-network Meta-learning [45.8111239825361]
GDN(Graph Deviation Networks)という新しいタイプのグラフニューラルネットワークを提案します。
GDNは少数のラベル付き異常を利用して、ネットワーク上の異常ノードと正常ノードの間に統計的に有意なずれを生じさせる。
提案したGDNを新しいクロスネットワークメタラーニングアルゴリズムで実装し,マルチショットネットワーク異常検出を実現した。
論文 参考訳（メタデータ） (2021-02-22T16:42:37Z) - Deep Weakly-supervised Anomaly Detection [118.55172352231381]
ペアワイズ関係予測ネットワーク(PReNet)は、ペアワイズ関係の特徴と異常スコアを学習する。
PReNetは、学習したペアの異常パターンに適合する見知らぬ異常を検出できる。
12の実世界のデータセットに対する実証的な結果から、PReNetは目に見えない異常や異常を検知する9つの競合する手法を著しく上回っている。
論文 参考訳（メタデータ） (2019-10-30T00:40:25Z)
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。