論文の概要: GADMSL: Graph Anomaly Detection on Attributed Networks via Multi-scale Substructure Learning

• arxiv url: http://arxiv.org/abs/2211.15255v1
• Date: Mon, 28 Nov 2022 12:17:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-29 19:41:46.285092
• Title: GADMSL: Graph Anomaly Detection on Attributed Networks via Multi-scale Substructure Learning
• Title（参考訳）: GADMSL:マルチスケールサブ構造学習による分散ネットワーク上のグラフ異常検出
• Authors: Duan Jingcan, Wang Siwei, Liu Xinwang, Zhou Haifang, Hu Jingtao, Jin Hu
• Abstract要約: マルチスケールサブストラクチャ学習(GADMSL)によるグラフ異常検出フレームワークを提案する。 従来のアルゴリズムとは異なり、密接な連結領域では内部の類似性が比較的低い異常な部分構造を捉える。 GADMSLは、最先端の属性付きネットワーク異常検出アルゴリズムと比較して、検出性能を大幅に改善する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, graph anomaly detection has attracted increasing attention in data mining and machine learning communities. Apart from existing attribute anomalies, graph anomaly detection also captures suspicious topological-abnormal nodes that differ from the major counterparts. Although massive graph-based detection approaches have been proposed, most of them focus on node-level comparison while pay insufficient attention on the surrounding topology structures. Nodes with more dissimilar neighborhood substructures have more suspicious to be abnormal. To enhance the local substructure detection ability, we propose a novel Graph Anomaly Detection framework via Multi-scale Substructure Learning (GADMSL for abbreviation). Unlike previous algorithms, we manage to capture anomalous substructures where the inner similarities are relatively low in dense-connected regions. Specifically, we adopt a region proposal module to find high-density substructures in the network as suspicious regions. Their inner-node embedding similarities indicate the anomaly degree of the detected substructures. Generally, a lower degree of embedding similarities means a higher probability that the substructure contains topology anomalies. To distill better embeddings of node attributes, we further introduce a graph contrastive learning scheme, which observes attribute anomalies in the meantime. In this way, GADMSL can detect both topology and attribute anomalies. Ultimately, extensive experiments on benchmark datasets show that GADMSL greatly improves detection performance (up to 7.30% AUC and 17.46% AUPRC gains) compared to state-of-the-art attributed networks anomaly detection algorithms.
• Abstract（参考訳）: 近年,グラフ異常検出がデータマイニングや機械学習コミュニティで注目を集めている。 既存の属性異常とは別に、グラフ異常検出は主要な属性と異なる疑わしい位相異常ノードもキャプチャする。 グラフに基づく大規模な検出手法が提案されているが、そのほとんどはノードレベルの比較に重点を置いている。 より異なる近傍構造を持つノードは、異常である可能性がより疑わしい。 局所的なサブストラクチャー検出能力を高めるために,マルチスケールサブストラクチャー学習(GADMSL, Multi-scale Substructure Learning)によるグラフ異常検出フレームワークを提案する。 従来のアルゴリズムとは異なり、内部類似度が密結合領域において比較的低い異常な部分構造を捉えることができる。 具体的には,ネットワーク内の高密度な部分構造を疑わしい部分として見つけるための領域提案モジュールを採用する。 内部ノード埋め込みの類似性は検出された部分構造の異常度を示している。 一般に、埋め込み類似度の低いことは、部分構造が位相異常を含む高い確率を意味する。 さらに,ノード属性の埋め込み性を向上するために,属性異常を観測するグラフコントラスト学習方式を導入する。 このようにして、GADMSLはトポロジーと属性の異常の両方を検出することができる。 最終的に、ベンチマークデータセットの広範な実験により、gadmslは最先端のネットワーク異常検出アルゴリズムに比べて検出性能(最大7.30%のaucと17.46%のauprc向上)が大幅に向上することが示された。

関連論文リスト

• Higher-order Structure Based Anomaly Detection on Attributed Networks [25.94747823510297]
  本稿では,高次構造に基づく異常検出(GUIDE)手法を提案する。 我々は属性オートエンコーダと構造オートエンコーダを利用してノード属性と高階構造を再構成する。 また、隣接ノードの重要性を評価するために、グラフ注意層を設計する。
  論文  参考訳（メタデータ） (2024-06-07T07:02:50Z)
• 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)
• Multitask Active Learning for Graph Anomaly Detection [48.690169078479116]
  MultItask acTIve Graph Anomaly Detection framework,すなわちMITIGATEを提案する。 ノード分類タスクを結合することにより、MITIGATEは既知の異常を伴わずに配布外ノードを検出する能力を得る。 4つのデータセットに関する実証的研究は、MITIGATEが異常検出のための最先端の手法を著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2024-01-24T03:43:45Z)
• SCALA: Sparsification-based Contrastive Learning for Anomaly Detection on Attributed Networks [19.09775548036214]
  属性付きネットワーク上の異常検出は、他の多数ノードと大きく異なる振る舞いを持つノードを見つけることを目的としている。 本稿では,ネットワークの埋め込み品質向上を目的とした,属性付きネットワーク上での異常検出のための新しいコントラスト学習フレームワークである textbfSCALA を提案する。 5つのベンチマーク実世界のデータセットで大規模な実験が行われ、結果はSCALAがすべてのベースライン手法を大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2024-01-03T08:51:18Z)
• Open-Set Graph Anomaly Detection via Normal Structure Regularisation [30.638274744518682]
  Open-set Graph Anomaly Detection (GAD)は、少数の正規ノードと異常ノードを使用して検出モデルをトレーニングすることを目的としている。 現在の監督型GAD法は、目に見えない異常を正常なノードとして検出する多くの誤りを招き、その異常を過度に強調する傾向にある。 本稿では,新しいオープンセットGAD手法,すなわち正規構造正規化(NSReg)を提案する。
  論文  参考訳（メタデータ） (2023-11-12T13:25:28Z)
• 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)
• AHEAD: A Triple Attention Based Heterogeneous Graph Anomaly Detection Approach [23.096589854894884]
  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。
  論文  参考訳（メタデータ） (2022-08-17T10:08:28Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)

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。