論文の概要: Raising the Bar in Graph-level Anomaly Detection

• arxiv url: http://arxiv.org/abs/2205.13845v1
• Date: Fri, 27 May 2022 09:17:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-30 12:51:31.425742
• Title: Raising the Bar in Graph-level Anomaly Detection
• Title（参考訳）: グラフレベルの異常検出におけるバーのライジング
• Authors: Chen Qiu, Marius Kloft, Stephan Mandt, Maja Rudolph
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 33.737428672049255
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph-level anomaly detection has become a critical topic in diverse areas, such as financial fraud detection and detecting anomalous activities in social networks. While most research has focused on anomaly detection for visual data such as images, where high detection accuracies have been obtained, existing deep learning approaches for graphs currently show considerably worse performance. This paper raises the bar on graph-level anomaly detection, i.e., the task of detecting abnormal graphs in a set of graphs. By drawing on ideas from self-supervised learning and transformation learning, we present a new deep learning approach that significantly improves existing deep one-class approaches by fixing some of their known problems, including hypersphere collapse and performance flip. Experiments on nine real-world data sets involving nine techniques reveal that our method achieves an average performance improvement of 11.8% AUC compared to the best existing approach.
• Abstract（参考訳）: グラフレベルの異常検出は、金融詐欺の検出やソーシャルネットワークにおける異常行為の検出など、さまざまな分野で重要な話題となっている。 多くの研究は、高い検出精度が得られた画像などの視覚データの異常検出に重点を置いているが、グラフに対する既存のディープラーニングアプローチは、現在かなりパフォーマンスが悪くなっている。 本稿では,グラフレベルの異常検出のバー,すなわちグラフ集合内の異常グラフを検出するタスクについて述べる。 自己指導型学習と変換学習のアイデアに基づいて,超球崩壊や性能フリップといった既知の問題を修正することで,既存の深層一流アプローチを大幅に改善する,新たな深層学習アプローチを提案する。 9つの手法を含む実世界の9つのデータセット実験により,本手法は既存手法と比較して平均11.8%AUCの性能向上を達成した。

関連論文リスト

• Imbalanced Graph-Level Anomaly Detection via Counterfactual Augmentation and Feature Learning [1.3756846638796]
  本稿では,非バランスなGLAD手法を提案する。 我々は、このモデルを脳疾患データセットに適用し、我々の研究の能力を証明することができる。
  論文  参考訳（メタデータ） (2024-07-13T13:40:06Z)
• 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)
• 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)
• GRAM: An Interpretable Approach for Graph Anomaly Detection using Gradient Attention Maps [26.011499804523808]
  本稿では,性能向上のための解釈可能性の力を活用したグラフ異常検出手法を提案する。 本手法は, グラフニューラルネットワークの勾配から抽出したアテンションマップを抽出し, 異常評価の基礎となる。 実世界のグラフ分類と無線ネットワークデータセットにおける最先端グラフ異常検出技術に対する我々のアプローチを広く評価する。
  論文  参考訳（メタデータ） (2023-11-10T16:14:21Z)
• GraphCloak: Safeguarding Task-specific Knowledge within Graph-structured Data from Unauthorized Exploitation [61.80017550099027]
  グラフニューラルネットワーク(GNN)は、さまざまな分野でますます普及している。 個人データの不正利用に関する懸念が高まっている。 近年の研究では、このような誤用から画像データを保護する効果的な方法として、知覚不能な毒殺攻撃が報告されている。 本稿では,グラフデータの不正使用に対する保護のためにGraphCloakを導入する。
  論文  参考訳（メタデータ） (2023-10-11T00:50:55Z)
• 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)
• Benchmarking Node Outlier Detection on Graphs [90.29966986023403]
  グラフの外れ値検出は、多くのアプリケーションにおいて、新しいが重要な機械学習タスクである。 UNODと呼ばれるグラフに対して、最初の包括的教師なしノード外乱検出ベンチマークを示す。
  論文  参考訳（メタデータ） (2022-06-21T01:46:38Z)
• Generative and Contrastive Self-Supervised Learning for Graph Anomaly Detection [14.631674952942207]
  グラフ異常検出のための自己教師付き学習法(SL-GAD)を提案する。 提案手法では,対象ノードに基づいて異なるコンテキストサブグラフを構築し,生成属性回帰とマルチビューコントラスト学習という2つのモジュールを用いて異常検出を行う。 提案手法は,6つのベンチマークデータセットに対して広範な実験を行い,提案手法が最先端の手法よりも大きなマージンで優れていることを示した。
  論文  参考訳（メタデータ） (2021-08-23T02:15:21Z)
• A Comprehensive Survey on Graph Anomaly Detection with Deep Learning [37.83120827837028]
  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。
  論文  参考訳（メタデータ） (2021-06-14T06:04:57Z)
• Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
  グラフ組み込み数ショット学習に関する包括的な研究を紹介します。 本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。 提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
  論文  参考訳（メタデータ） (2021-02-14T05:28:13Z)
• Self-trained Deep Ordinal Regression for End-to-End Video Anomaly Detection [114.9714355807607]
  ビデオ異常検出に自己学習深層順序回帰を適用することで,既存の手法の2つの重要な限界を克服できることを示す。 我々は,手動で正規/異常データをラベル付けすることなく,共同表現学習と異常スコアリングを可能にする,エンドツーエンドのトレーニング可能なビデオ異常検出手法を考案した。
  論文  参考訳（メタデータ） (2020-03-15T08:44:55Z)

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。