論文の概要: Benchmarking Node Outlier Detection on Graphs
- arxiv url: http://arxiv.org/abs/2206.10071v1
- Date: Tue, 21 Jun 2022 01:46:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-23 06:48:43.527599
- Title: Benchmarking Node Outlier Detection on Graphs
- Title(参考訳): グラフ上のノードアウトレイラ検出のベンチマーク
- Authors: Kay Liu, Yingtong Dou, Yue Zhao, Xueying Ding, Xiyang Hu, Ruitong
Zhang, Kaize Ding, Canyu Chen, Hao Peng, Kai Shu, Lichao Sun, Jundong Li,
George H. Chen, Zhihao Jia, Philip S. Yu
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 90.29966986023403
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph outlier detection is an emerging but crucial machine learning task with
numerous applications. Despite the proliferation of algorithms developed in
recent years, the lack of a standard and unified setting for performance
evaluation limits their advancement and usage in real-world applications. To
tap the gap, we present, (to our best knowledge) the first comprehensive
unsupervised node outlier detection benchmark for graphs called UNOD, with the
following highlights: (1) evaluating fourteen methods with backbone spanning
from classical matrix factorization to the latest graph neural networks; (2)
benchmarking the method performance with different types of injected outliers
and organic outliers on real-world datasets; (3) comparing the efficiency and
scalability of the algorithms by runtime and GPU memory usage on synthetic
graphs at different scales. Based on the analyses of extensive experimental
results, we discuss the pros and cons of current UNOD methods, and point out
multiple crucial and promising future research directions.
- Abstract(参考訳): グラフの異常検出は、多くのアプリケーションを持つ、新興だが重要な機械学習タスクである。
近年のアルゴリズムの普及にもかかわらず、性能評価のための標準的で統一的な設定の欠如は、実世界のアプリケーションにおけるその進歩と使用を制限している。
To tap the gap, we present, (to our best knowledge) the first comprehensive unsupervised node outlier detection benchmark for graphs called UNOD, with the following highlights: (1) evaluating fourteen methods with backbone spanning from classical matrix factorization to the latest graph neural networks; (2) benchmarking the method performance with different types of injected outliers and organic outliers on real-world datasets; (3) comparing the efficiency and scalability of the algorithms by runtime and GPU memory usage on synthetic graphs at different scales.
大規模な実験結果の分析に基づいて、現在のUNOD法の長所と短所を論じ、複数の重要かつ将来的な研究方向性を指摘する。
関連論文リスト
- Out-of-Distribution Detection on Graphs: A Survey [58.47395497985277]
グラフアウト・オブ・ディストリビューション(GOOD)検出は、トレーニング中に見られる分布から逸脱するグラフデータを特定することに焦点を当てる。
既存の手法を,拡張ベース,再構築ベース,情報伝達ベース,分類ベースという4つのタイプに分類する。
本稿では,グラフデータによるユニークな課題を浮き彫りにして,実践的応用と理論的基礎について論じる。
論文 参考訳(メタデータ) (2025-02-12T04:07:12Z) - Rethinking Link Prediction for Directed Graphs [73.36395969796804]
有向グラフのリンク予測は、様々な現実世界のアプリケーションにとって重要な課題である。
埋め込み手法とグラフニューラルネットワーク(GNN)の最近の進歩は、有望な改善を示している。
本稿では,既存手法の表現性を評価するための統一的なフレームワークを提案し,二重埋め込みとデコーダ設計が性能に与える影響を強調した。
論文 参考訳(メタデータ) (2025-02-08T23:51:05Z) - Keep It Simple: Towards Accurate Vulnerability Detection for Large Code Graphs [6.236203127696138]
本稿では,階層グラフの洗練と文脈対応グラフ表現学習を具現化した新たな脆弱性検出手法であるANGLEを提案する。
本手法は, 精度とF1スコアの点で, 他のいくつかのベースラインを著しく上回っている。
大きなコードグラフでは、ANGLEは最先端のAMPLEに比べて34.27%-161.93%の精度向上を実現している。
論文 参考訳(メタデータ) (2024-12-13T14:27:51Z) - FIT-GNN: Faster Inference Time for GNNs Using Coarsening [1.323700980948722]
粗大化に基づく手法は、グラフをより小さなグラフに減らし、より高速な計算をもたらす。
従来の研究は、推論フェーズにおける計算コストに十分な対処を行っていなかった。
本稿では,GNNの学習と推論の両段階における計算負担を軽減することにより,GNNのスケーラビリティを向上させる新しい手法を提案する。
論文 参考訳(メタデータ) (2024-10-19T06:27:24Z) - Rethinking the Effectiveness of Graph Classification Datasets in Benchmarks for Assessing GNNs [7.407592553310068]
本稿では,単純な手法とGNN間の性能差を調べるための,公正なベンチマークフレームワークに基づく経験的プロトコルを提案する。
また,データセットの複雑性とモデル性能を両立させることにより,データセットの有効性を定量化する新しい指標を提案する。
我々の発見は、ベンチマークデータセットの現在の理解に光を当て、新しいプラットフォームは、グラフ分類ベンチマークの将来的な進化を後押しする可能性がある。
論文 参考訳(メタデータ) (2024-07-06T08:33:23Z) - Unifying Unsupervised Graph-Level Anomaly Detection and Out-of-Distribution Detection: A Benchmark [73.58840254552656]
近年,非教師付きグラフレベルの異常検出(GLAD)と教師なしグラフレベルのアウト・オブ・ディストリビューション(OOD)検出が注目されている。
教師なしグラフレベルのOODと異常検出のための統一ベンチマーク(我々の方法)を提案する。
我々のベンチマークでは、4つの実用的な異常とOOD検出シナリオにまたがる35のデータセットを網羅している。
我々は,既存手法の有効性,一般化性,堅牢性,効率性について多次元解析を行った。
論文 参考訳(メタデータ) (2024-06-21T04:07:43Z) - 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) - Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。
また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文 参考訳(メタデータ) (2022-05-06T03:37:00Z) - Heuristic Semi-Supervised Learning for Graph Generation Inspired by
Electoral College [80.67842220664231]
本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。
テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
論文 参考訳(メタデータ) (2020-06-10T14:48:48Z)
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。