論文の概要: Robust Graph Representation Learning for Local Corruption Recovery
- arxiv url: http://arxiv.org/abs/2202.04936v4
- Date: Fri, 11 Aug 2023 13:05:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-14 18:14:15.821319
- Title: Robust Graph Representation Learning for Local Corruption Recovery
- Title（参考訳）: 局所的腐敗回復のためのロバストグラフ表現学習
- Authors: Bingxin Zhou, Yuanhong Jiang, Yu Guang Wang, Jingwei Liang, Junbin
Gao, Shirui Pan, Xiaoqun Zhang
- Abstract要約: この研究は、(局所的に)破損した特徴属性を自動的に検出するグラフ学習スキームを確立する。
検出操作はグラフオートエンコーダを利用するが、これは局所的な腐敗の分布を仮定するものではない。
提案モデルはブラックボックス中毒から頑健なグラフ表現を復元し,優れた性能が得られる。
- 参考スコア（独自算出の注目度）: 47.656530383080366
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The performance of graph representation learning is affected by the quality
of graph input. While existing research usually pursues a globally smoothed
graph embedding, we believe the rarely observed anomalies are as well harmful
to an accurate prediction. This work establishes a graph learning scheme that
automatically detects (locally) corrupted feature attributes and recovers
robust embedding for prediction tasks. The detection operation leverages a
graph autoencoder, which does not make any assumptions about the distribution
of the local corruptions. It pinpoints the positions of the anomalous node
attributes in an unbiased mask matrix, where robust estimations are recovered
with sparsity promoting regularizer. The optimizer approaches a new embedding
that is sparse in the framelet domain and conditionally close to input
observations. Extensive experiments are provided to validate our proposed model
can recover a robust graph representation from black-box poisoning and achieve
excellent performance.
- Abstract（参考訳）: グラフ表現学習の性能は、グラフ入力の品質に影響される。
既存の研究は通常、グローバルに滑らかなグラフ埋め込みを追求するが、稀に観測される異常は正確な予測に有害であると信じている。
この研究は、(局所的に)破損した機能属性を自動的に検出し、予測タスクのための堅牢な埋め込みを回復するグラフ学習スキームを確立します。
検出操作はグラフオートエンコーダを利用するが、これは局所的な腐敗の分布を仮定するものではない。
非バイアスマスク行列における異常ノード属性の位置をピンポイントで特定し、ロバストな推定を正則化の促進とともに行う。
オプティマイザは、フレームレット領域にスパースし、条件付きで入力観測に近い新しい埋め込みにアプローチする。
ブラックボックス中毒から頑健なグラフ表現を復元し,優れた性能を実現するため,提案モデルの有効性を検証した。
関連論文リスト
- Extreme Value Modelling of Feature Residuals for Anomaly Detection in Dynamic Graphs [14.8066991252587]
グラフの時間的シーケンスにおける異常の検出は、トランスポートネットワークにおける事故の検出や、コンピュータネットワークにおけるサイバー攻撃といった分野に適用することができる。
既存の異常グラフ検出方法は、高い偽陽性率や可変サイズのグラフの扱いの難しさ、非自明な時間ダイナミクスなど、複数の制限に悩まされることがある。
そこで本稿では,時間的依存を時系列解析によって時間的依存を明示的にモデル化し,残差を用いて依存を除去する手法を提案する。
論文 参考訳（メタデータ） (2024-10-08T05:00:53Z) - 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) - Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。
提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文 参考訳（メタデータ） (2024-01-12T17:57:07Z) - 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) - 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) - BOURNE: Bootstrapped Self-supervised Learning Framework for Unified
Graph Anomaly Detection [50.26074811655596]
自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。
ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。
BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
論文 参考訳（メタデータ） (2023-07-28T00:44:57Z) - 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)
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。