論文の概要: ARISE: Graph Anomaly Detection on Attributed Networks via Substructure
Awareness
- arxiv url: http://arxiv.org/abs/2211.15255v3
- Date: Sun, 1 Oct 2023 02:09:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-03 20:50:38.647740
- Title: ARISE: Graph Anomaly Detection on Attributed Networks via Substructure
Awareness
- Title(参考訳): ARISE:サブ構造認識による分散ネットワーク上のグラフ異常検出
- Authors: Jingcan Duan, Bin Xiao, Siwei Wang, Haifang Zhou, Xinwang Liu
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 70.60721571429784
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, graph anomaly detection on attributed networks has attracted
growing attention in data mining and machine learning communities. Apart from
attribute anomalies, graph anomaly detection also aims at suspicious
topological-abnormal nodes that exhibit collective anomalous behavior. Closely
connected uncorrelated node groups form uncommonly dense substructures in the
network. However, existing methods overlook that the topology anomaly detection
performance can be improved by recognizing such a collective pattern. To this
end, we propose a new graph anomaly detection framework on attributed networks
via substructure awareness (ARISE for abbreviation). Unlike previous
algorithms, we focus on the substructures in the graph to discern
abnormalities. Specifically, we establish a region proposal module to discover
high-density substructures in the network as suspicious regions. The average
node-pair similarity can be regarded as the topology anomaly degree of nodes
within substructures. Generally, the lower the similarity, the higher the
probability that internal nodes are 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, ARISE can detect both topology and attribute anomalies. Ultimately,
extensive experiments on benchmark datasets show that ARISE greatly improves
detection performance (up to 7.30% AUC and 17.46% AUPRC gains) compared to
state-of-the-art attributed networks anomaly detection (ANAD) algorithms.
- Abstract(参考訳): 近年,データマイニングや機械学習のコミュニティにおいて,属性ネットワーク上のグラフ異常検出が注目されている。
属性異常とは別に、グラフ異常検出は、集合的異常行動を示す疑わしいトポロジカル異常ノードも対象とする。
密接な連結のない非相関ノード群は、ネットワーク内の非特異に密接な部分構造を形成する。
しかし,既存の手法では,このような集合パターンを認識すれば,トポロジ異常検出性能の向上が期待できる。
そこで本稿では,属性付きネットワーク上でのサブ構造認識(ARISE)による新たな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、グラフの下位構造に注目して異常を識別する。
具体的には,ネットワーク内の高密度部分構造を疑似領域として発見するための領域提案モジュールを確立する。
平均ノード対類似性は、部分構造内のノードのトポロジー異常度と見なすことができる。
一般に、類似性が低いほど、内部ノードが位相異常である確率が高くなる。
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、ARISE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に関する広範な実験は、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(最大7.30%のaucと17.46%のauprc向上)を大幅に改善することを示している。
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。