論文の概要: Are we really making much progress in unsupervised graph outlier detection? Revisiting the problem with new insight and superior method

• arxiv url: http://arxiv.org/abs/2210.12941v1
• Date: Mon, 24 Oct 2022 04:09:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 18:21:13.327105
• Title: Are we really making much progress in unsupervised graph outlier detection? Revisiting the problem with new insight and superior method
• Title（参考訳）: 教師なしグラフ異常検出において、私たちは本当に大きな進歩を遂げていますか? 新しい洞察と優れた手法で問題を再考する
• Authors: Yihong Huang, Liping Wang, Fan Zhang, Xuemin Lin
• Abstract要約: UNODは、グラフにおける典型的な2種類の外れ値(構造外値と文脈外値)の検出に重点を置いている。 最も広く使われているアウトリー・インジェクションのアプローチは、深刻なデータ漏洩問題であることがわかった。 本稿では,分散モデルと属性再構成モデルを組み合わせた分散グラフ外乱検出(VGOD)手法を提案する。
• 参考スコア（独自算出の注目度）: 36.72922385614812
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A large number of studies on Graph Outlier Detection (GOD) have emerged in recent years due to its wide applications, in which Unsupervised Node Outlier Detection (UNOD) on attributed networks is an important area. UNOD focuses on detecting two kinds of typical outliers in graphs: the structural outlier and the contextual outlier. Most existing works conduct the experiments based on the datasets with injected outliers. However, we find that the most widely-used outlier injection approach has a serious data leakage issue. By only utilizing such data leakage, a simple approach can achieve the state-of-the-art performance in detecting outliers. In addition, we observe that most existing algorithms have performance drops with varied injection settings. The other major issue is on balanced detection performance between the two types of outliers, which has not been considered by existing studies. In this paper, we analyze the cause of the data leakage issue in depth since the injection approach is a building block to advance UNOD. Moreover, we devise a novel variance-based model to detect structural outliers, which is more robust to different injection settings. On top of this, we propose a new framework, Variance-based Graph Outlier Detection (VGOD), which combines our variance-based model and attribute reconstruction model to detect outliers in a balanced way. Finally, we conduct extensive experiments to demonstrate the effectiveness and the efficiency of VGOD. The results on 5 real-world datasets validate that VGOD achieves not only the best performance in detecting outliers but also a balanced detection performance between structural and contextual outliers.
• Abstract（参考訳）: 近年,属性ネットワーク上のunsupervised Node Outlier Detection (UNOD) が重要な領域となっているため,グラフアウトレイラ検出(GOD)に関する研究が盛んに行われている。 UNODは、グラフにおける典型的な2種類の外れ値を検出することに焦点を当てている。 既存の作品の多くは、インジェクションされた外れ値を持つデータセットに基づいて実験を行う。 しかし、最も広く使われているoutlier injectionアプローチには、深刻なデータ漏洩問題があることが分かりました。 このようなデータ漏洩のみを利用することで、単純なアプローチで異常値検出時の最先端のパフォーマンスを実現することができる。 さらに,既存のアルゴリズムの多くは,インジェクション設定の異なる性能低下を観測する。 もう1つの大きな問題は、既存の研究では考慮されていない2種類の異常値間の平衡検出性能である。 本稿では,UNODを推進するためのビルディングブロックであるインジェクションアプローチから,データ漏洩問題の原因を深く分析する。 さらに, 異なるインジェクション設定に対してより頑健な構造異常を検出するために, 分散に基づく新しいモデルを開発した。 これに加えて,分散ベースのモデルと属性再構成モデルを組み合わせた分散ベースのグラフ異常検出(vgod)という新しいフレームワークを提案する。 最後に,VGODの有効性と効率を実証するための広範な実験を行った。 5つの実世界のデータセットの結果は、vgodが異常値の検出において最高の性能を発揮するだけでなく、構造的外れ値と文脈的外れ値の間のバランスの取れた検出性能を達成することを検証している。

関連論文リスト

• HGOE: Hybrid External and Internal Graph Outlier Exposure for Graph Out-of-Distribution Detection [78.47008997035158]
  グラフデータはより多様性を示すが、摂動に対する堅牢性は低く、外れ値の統合を複雑にする。 我々は、グラフOOD検出性能を改善するために、textbfHybrid外部および内部の textbfGraph textbfOutlier textbfExposure (HGOE) の導入を提案する。
  論文  参考訳（メタデータ） (2024-07-31T16:55:18Z)
• Data Augmentation for Supervised Graph Outlier Detection via Latent Diffusion Models [39.33024157496401]
  本稿では,教師付きグラフ外乱検出におけるクラス不均衡を緩和する新しいデータ拡張であるGODMを紹介する。 複数のデータセットに対して行われた大規模な実験は、GODMの有効性と効率を裏付けるものである。 GODMをプラグイン・アンド・プレイパッケージにカプセル化し,PyPIでリリースする。
  論文  参考訳（メタデータ） (2023-12-29T16:50:40Z)
• Diversified Outlier Exposure for Out-of-Distribution Detection via Informative Extrapolation [110.34982764201689]
  Out-of-Distribution(OOD)検出は、現実のアプリケーションに信頼性の高い機械学習モデルをデプロイするために重要である。 近年, 外部曝露によるOOD検出に有意な結果が得られた。 本稿では,補助外乱量に基づく情報外挿による効果的なOOD検出のための新しい枠組み,すなわちDivOE(Diversified Outlier Exposure)を提案する。
  論文  参考訳（メタデータ） (2023-10-21T07:16:09Z)
• ODIM: Outlier Detection via Likelihood of Under-Fitted Generative Models [4.956259629094216]
  Unsupervised Outlier Detection (UOD) とは、非教師付き外乱検出(unsupervised outlier detection, UOD)問題である。 我々は、IM効果(ODIM)による外れ検知と呼ばれる新しい手法を開発した。 注目すべきなのは、ODIMはほんの数回の更新しか必要とせず、計算効率が他のディープラーニングベースのアルゴリズムの何倍も高速であることだ。
  論文  参考訳（メタデータ） (2023-01-11T01:02:27Z)
• DEGAN: Time Series Anomaly Detection using Generative Adversarial Network Discriminators and Density Estimation [0.0]
  我々は,GANに基づく異常検出フレームワークDEGANを提案する。 これは、適切に構成された識別器(D)をスタンドアロンの異常予測器に訓練するための入力として、通常の時系列データにのみ依存する。
  論文  参考訳（メタデータ） (2022-10-05T04:32:12Z)
• An Outlier Exposure Approach to Improve Visual Anomaly Detection Performance for Mobile Robots [76.36017224414523]
  移動ロボットの視覚異常検出システム構築の問題点を考察する。 標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。 本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-20T15:18:13Z)
• Efficient remedies for outlier detection with variational autoencoders [8.80692072928023]
  深層生成モデルによって計算される類似度は、ラベルなしデータによる外れ値検出の候補メトリックである。 理論的に定位された補正は、VAE推定値による鍵バイアスを容易に改善することを示す。 また,VAEのアンサンブル上で計算される確率の分散により,ロバストな外乱検出が可能となることを示す。
  論文  参考訳（メタデータ） (2021-08-19T16:00:58Z)
• Homophily Outlier Detection in Non-IID Categorical Data [43.51919113927003]
  この研究は、新しい外れ値検出フレームワークとその2つのインスタンスを導入し、カテゴリデータの外れ値を特定する。 まず、分布に敏感な外部因子とその相互依存性を値値グラフベースの表現に定義し、組み込む。 学習した値の外れ度は、直接の外れ値検出または特徴選択の除外を可能にする。
  論文  参考訳（メタデータ） (2021-03-21T23:29:33Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)
• Generalized ODIN: Detecting Out-of-distribution Image without Learning from Out-of-distribution Data [87.61504710345528]
  我々は,OoD検出性能を改善しつつ,ニューラルネットワークをOoDデータのチューニングから解放する2つの方法を提案する。 具体的には、信頼性スコアリングと修正された入力前処理法を分離することを提案する。 大規模画像データセットのさらなる解析により、セマンティックシフトと非セマンティックシフトの2種類の分布シフトが有意な差を示すことが示された。
  論文  参考訳（メタデータ） (2020-02-26T04:18:25Z)

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。