論文の概要: GraphAnoGAN: Detecting Anomalous Snapshots from Attributed Graphs

• arxiv url: http://arxiv.org/abs/2106.15504v1
• Date: Tue, 29 Jun 2021 15:35:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-30 19:00:13.954108
• Title: GraphAnoGAN: Detecting Anomalous Snapshots from Attributed Graphs
• Title（参考訳）: GraphAnoGAN: 分散グラフから異常スナップショットを検出する
• Authors: Siddharth Bhatia, Yiwei Wang, Bryan Hooi, Tanmoy Chakraborty
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 36.00861758441135
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Finding anomalous snapshots from a graph has garnered huge attention recently. Existing studies address the problem using shallow learning mechanisms such as subspace selection, ego-network, or community analysis. These models do not take into account the multifaceted interactions between the structure and attributes in the network. In this paper, we propose GraphAnoGAN, an anomalous snapshot ranking framework, which consists of two core components -- generative and discriminative models. Specifically, the generative model learns to approximate the distribution of anomalous samples from the candidate set of graph snapshots, and the discriminative model detects whether the sampled snapshot is from the ground-truth or not. Experiments on 4 real-world networks show that GraphAnoGAN outperforms 6 baselines with a significant margin (28.29% and 22.01% higher precision and recall, respectively compared to the best baseline, averaged across all datasets).
• Abstract（参考訳）: グラフから異常なスナップショットを見つけることは、最近大きな注目を集めている。 既存の研究では、サブスペースの選択、エゴネットワーク、コミュニティ分析などの浅い学習メカニズムを用いてこの問題に対処している。 これらのモデルは、ネットワークの構造と属性の間の多面的相互作用を考慮していない。 本稿では,2つのコアコンポーネント – 生成的および識別的モデル – からなる,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。 具体的には、生成モデルは、グラフスナップショットの候補セットから異常なサンプルの分布を近似し、識別モデルは、サンプリングされたスナップショットが地中からのものであるか否かを検出する。 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(全データセットで平均される最良ベースラインと比較して、それぞれ28.29%と22.01%高い精度とリコール)を上回っている。

関連論文リスト

• 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)
• 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)
• Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
  本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。 これらのグラフモデルと従来の協調フィルタリングモデルを比較する。 ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
  論文  参考訳（メタデータ） (2023-08-01T09:31:44Z)
• Generated Graph Detection [27.591612297045817]
  グラフ生成モデルは、データ分散近似とデータ拡張にますます効果的になる。 4つの分類シナリオにおいて、洗練されたモデルの集合とその性能を調査する最初のフレームワークを提案する。 私たちのソリューションは、生成されたグラフの誤用を抑制するのに十分な期間維持できます。
  論文  参考訳（メタデータ） (2023-06-13T13:18:04Z)
• 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)
• 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)
• Graph Classification by Mixture of Diverse Experts [67.33716357951235]
  我々は,不均衡なグラフ分類に多様な専門家の混在を利用したフレームワークであるGraphDIVEを提案する。 GraphDIVEは、分割と並列の原則により、不均衡なグラフデータセットを複数のサブセットに分割するゲーティングネットワークを採用しています。 実世界の不均衡グラフデータセットに関する実験は、GraphDIVEの有効性を示している。
  論文  参考訳（メタデータ） (2021-03-29T14:03:03Z)
• Issues with Propagation Based Models for Graph-Level Outlier Detection [16.980621769406916]
  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。
  論文  参考訳（メタデータ） (2020-12-23T19:38:21Z)
• Understanding Anomaly Detection with Deep Invertible Networks through Hierarchies of Distributions and Features [4.25227087152716]
  畳み込みネットワークは、任意の自然言語データセットでトレーニングされた場合、同様の低レベルの特徴分布を学習する。 inlier とoutlier の識別的特徴が高いレベルにある場合、異常検出は特に困難になる。 モデルバイアスとドメインが高レベルの差を検出する前に負の影響を除去する2つの方法を提案する。
  論文  参考訳（メタデータ） (2020-06-18T20:56:14Z)

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。