論文の概要: Rethinking Graph Neural Networks for Anomaly Detection

• arxiv url: http://arxiv.org/abs/2205.15508v1
• Date: Tue, 31 May 2022 02:39:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-01 15:14:49.581980
• Title: Rethinking Graph Neural Networks for Anomaly Detection
• Title（参考訳）: 異常検出のためのグラフニューラルネットワーク再考
• Authors: Jianheng Tang, Jiajin Li, Ziqi Gao, Jia Li
• Abstract要約: 異常検出のためのベータウェーブレットグラフニューラルネットワーク(BWGNN)を提案する。 BWGNNは、異常時の右シフト現象をよりよく扱うために、スペクトルおよび空間局在バンドパスフィルタを備えている。 4つの大規模異常検出データセットに対するBWGNNの有効性を示す。
• 参考スコア（独自算出の注目度）: 24.600457380017346
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Neural Networks (GNNs) are widely applied for graph anomaly detection. As one of the key components for GNN design is to select a tailored spectral filter, we take the first step towards analyzing anomalies via the lens of the graph spectrum. Our crucial observation is the existence of anomalies will lead to the `right-shift' phenomenon, that is, the spectral energy distribution concentrates less on low frequencies and more on high frequencies. This fact motivates us to propose the Beta Wavelet Graph Neural Network (BWGNN). Indeed, BWGNN has spectral and spatial localized band-pass filters to better handle the `right-shift' phenomenon in anomalies. We demonstrate the effectiveness of BWGNN on four large-scale anomaly detection datasets. Our code and data are released at https://github.com/squareRoot3/Rethinking-Anomaly-Detection
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)はグラフ異常検出に広く応用されている。 GNN設計の鍵となる要素の1つは、調整されたスペクトルフィルタを選択することであるので、グラフスペクトルのレンズを通して異常を分析するための第一歩を踏み出す。 我々の重要な観察は、異常の存在は「右シフト」現象につながり、スペクトルエネルギー分布は低周波数よりも高周波数に集中する。 この事実は、Beta Wavelet Graph Neural Network (BWGNN)を提案する動機となっている。 実際、BWGNNはスペクトルおよび空間的局所化バンドパスフィルタを持ち、異常の「右シフト」現象をよりよく扱う。 4つの大規模異常検出データセットに対するBWGNNの有効性を示す。 私たちのコードとデータはhttps://github.com/squareRoot3/Rethinking-Anomaly-Detectionでリリースされます。

関連論文リスト

• Dual-Frequency Filtering Self-aware Graph Neural Networks for Homophilic and Heterophilic Graphs [60.82508765185161]
  我々は、Dual-Frequency Filtering Self-Aware Graph Neural Networks (DFGNN)を提案する。 DFGNNは低域通過フィルタと高域通過フィルタを統合し、滑らかで詳細な位相的特徴を抽出する。 フィルター比を動的に調整し、ホモフィルグラフとヘテロフィルグラフの両方に対応する。
  論文  参考訳（メタデータ） (2024-11-18T04:57:05Z)
• Counterfactual Data Augmentation with Denoising Diffusion for Graph Anomaly Detection [32.165578819142695]
  グラフ異常検出のための教師なし対実データ拡張法CAGADを提案する。 グラフ固有の拡散モデルを設計し、その近傍の一部(おそらく通常のもの)を異常なものに翻訳する。 翻訳された異常な隣人を集約することで、偽造表現はより識別しやすくなり、さらに検出性能を主張する。
  論文  参考訳（メタデータ） (2024-07-02T10:37:54Z)
• Spatio-Spectral Graph Neural Networks [50.277959544420455]
  比スペクトルグラフネットワーク(S$2$GNN)を提案する。 S$2$GNNは空間的およびスペクトル的にパラメータ化されたグラフフィルタを組み合わせる。 S$2$GNNsは、MPGNNsよりも厳密な近似理論誤差境界を生じる。
  論文  参考訳（メタデータ） (2024-05-29T14:28:08Z)
• Rayleigh Quotient Graph Neural Networks for Graph-level Anomaly Detection [8.069217655634002]
  異常グラフと正規グラフのスペクトル差を再検討する。 異常グラフのスペクトル特性を探索する最初のスペクトルGNNであるRayleigh Quotient Graph Neural Network (RQGNN)を提案する。 RQGNNは6.74%のマクロF1得点、1.44%のAUC得点で最高のライバルを上回っている。
  論文  参考訳（メタデータ） (2023-10-04T14:47:27Z)
• Specformer: Spectral Graph Neural Networks Meet Transformers [51.644312964537356]
  スペクトルグラフニューラルネットワーク(GNN)は、スペクトル領域グラフ畳み込みを通じてグラフ表現を学習する。 本稿では、全ての固有値の集合を効果的に符号化し、スペクトル領域で自己アテンションを行うSpecformerを紹介する。 複数のSpecformerレイヤを積み重ねることで、強力なスペクトルGNNを構築することができる。
  論文  参考訳（メタデータ） (2023-03-02T07:36:23Z)
• 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)
• Beyond Low-pass Filtering: Graph Convolutional Networks with Automatic Filtering [61.315598419655224]
  グラフ信号の全スペクトルをキャプチャする自動グラフ畳み込みネットワーク(AutoGCN)を提案する。 グラフスペクトル理論に基づいているが、私たちのAutoGCNも空間に局在しており、空間形式を持っている。
  論文  参考訳（メタデータ） (2021-07-10T04:11:25Z)
• Graph Neural Networks with Adaptive Frequency Response Filter [55.626174910206046]
  適応周波数応答フィルタを用いたグラフニューラルネットワークフレームワークAdaGNNを開発した。 提案手法の有効性を,様々なベンチマークデータセット上で実証的に検証した。
  論文  参考訳（メタデータ） (2021-04-26T19:31:21Z)
• One-Class Graph Neural Networks for Anomaly Detection in Attributed Networks [2.591494941326856]
  One Class Graph Neural Network (OCGNN) は、グラフ異常検出のための一級分類フレームワークである。 OCGNNは、グラフニューラルネットワークの強力な表現能力と古典的な一流の目的を組み合わせるように設計されている。
  論文  参考訳（メタデータ） (2020-02-22T01:25:49Z)

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。