論文の概要: AHEAD: A Triple Attention Based Heterogeneous Graph Anomaly Detection
Approach
- arxiv url: http://arxiv.org/abs/2208.08200v1
- Date: Wed, 17 Aug 2022 10:08:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-18 13:25:57.007581
- Title: AHEAD: A Triple Attention Based Heterogeneous Graph Anomaly Detection
Approach
- Title(参考訳): AHEAD: 3つの注意に基づく異種グラフ異常検出手法
- Authors: Shujie Yang, Binchi Zhang, Shangbin Feng, Zhaoxuan Tan, Qinghua Zheng,
Jun Zhou, Minnan Luo
- Abstract要約: AHEADは、エンコーダ-デコーダフレームワークに基づく教師なしグラフ異常検出アプローチである。
実世界の異種情報ネットワークにおけるAHEADの優位性を示す。
- 参考スコア(独自算出の注目度): 23.096589854894884
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph anomaly detection on attributed networks has become a prevalent
research topic due to its broad applications in many influential domains. In
real-world scenarios, nodes and edges in attributed networks usually display
distinct heterogeneity, i.e. attributes of different types of nodes show great
variety, different types of relations represent diverse meanings. Anomalies
usually perform differently from the majority in various perspectives of
heterogeneity in these networks. However, existing graph anomaly detection
approaches do not leverage heterogeneity in attributed networks, which is
highly related to anomaly detection. In light of this problem, we propose
AHEAD: a heterogeneity-aware unsupervised graph anomaly detection approach
based on the encoder-decoder framework. Specifically, for the encoder, we
design three levels of attention, i.e. attribute level, node type level, and
edge level attentions to capture the heterogeneity of network structure, node
properties and information of a single node, respectively. In the decoder, we
exploit structure, attribute, and node type reconstruction terms to obtain an
anomaly score for each node. Extensive experiments show the superiority of
AHEAD on several real-world heterogeneous information networks compared with
the state-of-arts in the unsupervised setting. Further experiments verify the
effectiveness and robustness of our triple attention, model backbone, and
decoder in general.
- Abstract(参考訳): 属性付きネットワーク上のグラフ異常検出は、多くの影響力のある領域で広く応用されているため、広く研究の対象となっている。
実世界のシナリオでは、属性付きネットワークのノードとエッジは、通常、異なるタイプのノードの属性は大きな多様性を示し、異なるタイプの関係は様々な意味を表す。
異常は通常、これらのネットワークにおける異質性の様々な観点で多数派と異なる働きをする。
しかし、既存のグラフ異常検出手法は、異常検出と非常に関連のある帰属ネットワークにおける異種性を利用しない。
この問題を考慮し、エンコーダ・デコーダフレームワークに基づく異種性を考慮した教師なしグラフ異常検出手法AHEADを提案する。
具体的には, 属性レベル, ノードタイプレベル, エッジレベルアテンションの3つのレベルを設計し, ネットワーク構造, ノード特性, 単一ノードの情報の不均一性を捉える。
復号器では、構造、属性、ノードタイプ再構成項を利用して各ノードの異常スコアを求める。
複数の実世界の異種情報ネットワーク上でのAHEADの優位性は、教師なし環境における最先端技術と比較できる。
さらなる実験により、トリプルアテンション、モデルバックボーン、一般的なデコーダの有効性と堅牢性が検証された。
関連論文リスト
- UMGAD: Unsupervised Multiplex Graph Anomaly Detection [40.17829938834783]
UMGADと呼ばれる新しい教師なし多重グラフ異常検出法を提案する。
我々はまず、多重異種グラフにおけるノード間の多重相関関係を学習する。
そして、ノイズや冗長な情報が異常情報抽出に与える影響を弱めるために、属性レベルおよびサブグラフレベルの拡張ビューグラフを生成する。
論文 参考訳(メタデータ) (2024-11-19T15:15:45Z) - ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。
ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。
各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
論文 参考訳(メタデータ) (2024-05-27T02:42:33Z) - Alleviating Structural Distribution Shift in Graph Anomaly Detection [70.1022676681496]
グラフ異常検出(GAD)は二項分類の問題である。
ガロン神経ネットワーク(GNN)は、同胞性隣人からの正常の分類に有用である。
ヘテロ親水性隣人の影響を緩和し、不変にするための枠組みを提案する。
論文 参考訳(メタデータ) (2024-01-25T13:07:34Z) - 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) - GAD-NR: Graph Anomaly Detection via Neighborhood Reconstruction [34.82023223790515]
グラフオートエンコーダ(GAE)はグラフデータをノード表現にエンコードし、これらの表現に基づいてグラフの再構成品質を評価することで異常を識別する。
グラフ異常検出のための近傍再構成を組み込んだ新しいGAEであるGAD-NRを提案する。
6つの実世界のデータセットで実施された大規模な実験は、GAD-NRの有効性を検証し、最先端の競合相手よりも顕著な改善(AUCでは最大30%)を示す。
論文 参考訳(メタデータ) (2023-06-02T23:23:34Z) - On Generalized Degree Fairness in Graph Neural Networks [18.110053023118294]
Deg-FairGNN(Generalized Degree Fairness-centric Graph Neural Network)と呼ばれる新しいGNNフレームワークを提案する。
具体的には、各GNN層において、学習可能なデバイアス機能を用いて、デバイアスのコンテキストを生成する。
3つのベンチマークデータセットに対する大規模な実験は、精度と公正度の両方において、我々のモデルの有効性を示す。
論文 参考訳(メタデータ) (2023-02-08T05:00:37Z) - ARISE: Graph Anomaly Detection on Attributed Networks via Substructure
Awareness [70.60721571429784]
サブ構造認識(ARISE)による属性付きネットワーク上の新しいグラフ異常検出フレームワークを提案する。
ARISEは、異常を識別するグラフのサブ構造に焦点を当てている。
実験により、ARISEは最先端の属性付きネットワーク異常検出(ANAD)アルゴリズムと比較して、検出性能が大幅に向上することが示された。
論文 参考訳(メタデータ) (2022-11-28T12:17:40Z) - Multiplex Heterogeneous Graph Convolutional Network [25.494590588212542]
異種ネットワーク埋め込みのための多重異種グラフ畳み込みネットワーク(MHGCN)を提案する。
我々のMHGCNは、多重異種ネットワークにおいて、異なる長さの有用な異種メタパス相互作用を自動的に学習することができる。
論文 参考訳(メタデータ) (2022-08-12T06:17:54Z) - Unveiling Anomalous Edges and Nominal Connectivity of Attributed
Networks [53.56901624204265]
本研究では、相補的な強さを持つ2つの異なる定式化を用いて、属性グラフの異常なエッジを明らかにする。
まず、グラフデータマトリックスを低ランクとスパースコンポーネントに分解することで、パフォーマンスを著しく向上させる。
第2は、乱れのないグラフを頑健に復元することにより、第1のスコープを広げ、異常識別性能を高める。
論文 参考訳(メタデータ) (2021-04-17T20:00:40Z) - Heterogeneous Graph Neural Networks for Malicious Account Detection [64.0046412312209]
GEMは、悪意のあるアカウントを検出するための、最初の異種グラフニューラルネットワークである。
我々は、デバイス集約とアクティビティ集約という2つの基本的な弱点に基づいて、異種アカウントデバイスグラフから差別的埋め込みを学習する。
実験により、我々のアプローチは、時間とともに競合する手法と比較して、常に有望な結果が得られることが示された。
論文 参考訳(メタデータ) (2020-02-27T18:26:44Z)
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。