論文の概要: A Comprehensive Survey on Graph Anomaly Detection with Deep Learning

• arxiv url: http://arxiv.org/abs/2106.07178v1
• Date: Mon, 14 Jun 2021 06:04:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-15 15:46:20.876032
• Title: A Comprehensive Survey on Graph Anomaly Detection with Deep Learning
• Title（参考訳）: ディープラーニングを用いたグラフ異常検出に関する総合的調査
• Authors: Xiaoxiao Ma, Jia Wu, Shan Xue, Jian Yang, Quan Z. Sheng, Hui Xiong
• Abstract要約: 異常は稀な観測(例えば、データ記録や出来事)であり、他のものとは大きく異なる。 本研究では,グラフ異常検出のための現代のディープラーニング技術について,体系的かつ包括的にレビューすることを目的とする。
• 参考スコア（独自算出の注目度）: 37.83120827837028
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomalies represent rare observations (e.g., data records or events) that are deviating significantly from others. Over the last forty years, researches on anomalies have received great interests because of their significance in many disciplines (e.g., computer science, chemistry, and biology). Anomaly detection, which aims to identify these rare observations, is among the most vital tasks and has shown its power in preventing detrimental events, such as financial fraud and network intrusion, from happening. The detection task is typically solved by detecting outlying data points in the features space and inherently overlooks the structural information in real-world data. Graphs have been prevalently used to preserve the structural information, and this raises the graph anomaly detection problem - identifying anomalous graph objects (i.e., nodes, edges and sub-graphs). However, conventional anomaly detection techniques cannot well solve this problem because of the complexity of graph data (e.g., irregular structures, non-independent and large-scale). For the aptitudes of deep learning in breaking these limitations, graph anomaly detection with deep learning has received intensified studies recently. In this survey, we aim to provide a systematic and comprehensive review of the contemporary deep learning techniques for graph anomaly detection. Specifically, our categorization follows a task-driven strategy and classifies existing works according to the anomalous graph objects they can detect. We especially focus on the motivations, key intuitions and technical details of existing works. We also summarize open-sourced implementations, public datasets, and commonly-used evaluation metrics for future studies. Finally, we highlight twelve future research directions according to our survey results covering emerging problems introduced by graph data, anomaly detection and real applications.
• Abstract（参考訳）: 異常は稀な観測(例えば、データ記録や出来事)であり、他のものとは大きく異なる。 過去40年間にわたり、異常の研究は多くの分野(コンピュータ科学、化学、生物学など)における重要性から大きな関心を集めてきた。 これらの稀な観測を識別することを目的とした異常検出は、最も重要な課題の一つであり、金融詐欺やネットワーク侵入などの有害事象の発生を防ぐ力を示している。 検出タスクは通常、特徴空間内の外部データポイントを検出し、実世界のデータの構造情報を本質的に見落としることで解決される。 グラフは構造情報を保存するために広く使われており、これは異常グラフオブジェクト(ノード、エッジ、サブグラフ)を識別するグラフ異常検出問題を引き起こす。 しかし、グラフデータの複雑さ(不規則構造、非独立構造、大規模構造など)のため、従来の異常検出技術ではこの問題をうまく解決できない。 これらの制限を破る深層学習の適性については、近年、深層学習によるグラフ異常検出が強化された研究を受けている。 本研究では,グラフ異常検出のための現代的深層学習手法の体系的かつ包括的レビューを行う。 具体的には、タスク駆動型戦略に従い、検出可能な異常グラフオブジェクトに従って既存の作業を分類する。 特に、既存の作品のモチベーション、キー直観、技術的な詳細に焦点を当てています。 また、オープンソース実装、パブリックデータセット、そして将来の研究で一般的に使用される評価指標についても要約する。 最後に, グラフデータや異常検出, 実アプリケーションで発生した問題について, 調査結果に基づいて, 今後の研究方向性を12点強調する。

関連論文リスト

• Anomaly Detection in Graph Structured Data: A Survey [0.46040036610482665]
  本稿では,グラフデータにおける異常検出手法の概要を概観する。 本稿では,最先端の異常検出手法を分類する新しい分類法を提案する。
  論文  参考訳（メタデータ） (2024-05-10T01:30:25Z)
• Three Revisits to Node-Level Graph Anomaly Detection: Outliers, Message Passing and Hyperbolic Neural Networks [9.708651460086916]
  本稿では,教師なしノードレベルのグラフ異常検出タスクに対するデータセットとアプローチを再検討する。 まず,グラフデータセットにおいて,より多様なグラフベースの異常を発生させるアウトリーインジェクション手法を提案する。 第2に、メッセージパッシングを利用した手法を非使用者と比較し、予期せぬ性能低下を明らかにした。
  論文  参考訳（メタデータ） (2024-03-06T19:42:34Z)
• 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)
• 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)
• MetaGAD: Learning to Meta Transfer for Few-shot Graph Anomaly Detection [18.393760765481836]
  本稿では,グラフ異常検出のためのラベル付きノードとラベル付きノードの知識をメタトランスファーするMetaGADを提案する。 6つの実世界のデータセットに対する実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-05-18T03:04:51Z)
• Deep Learning for Time Series Anomaly Detection: A Survey [53.83593870825628]
  時系列異常検出は、製造業や医療を含む幅広い研究分野や応用に応用されている。 時系列の大規模かつ複雑なパターンにより、研究者は異常パターンを検出するための特別な深層学習モデルを開発するようになった。 本調査は,ディープラーニングを用いた構造化および総合的時系列異常検出モデルの提供に焦点を当てる。
  論文  参考訳（メタデータ） (2022-11-09T22:40:22Z)
• 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)
• Raising the Bar in Graph-level Anomaly Detection [33.737428672049255]
  既存のワンクラスのアプローチを大幅に改善する,新たなディープラーニングアプローチを提案する。 提案手法は,既存手法と比較して平均11.8%AUCの性能向上を実現している。
  論文  参考訳（メタデータ） (2022-05-27T09:17:57Z)
• 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)

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。