論文の概要: Graph Anomaly Detection via Multi-Scale Contrastive Learning Networks
with Augmented View
- arxiv url: http://arxiv.org/abs/2212.00535v2
- Date: Fri, 2 Dec 2022 02:32:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-05 13:26:53.408713
- Title: Graph Anomaly Detection via Multi-Scale Contrastive Learning Networks
with Augmented View
- Title（参考訳）: 拡張ビューを用いたマルチスケールコントラスト学習ネットワークによるグラフ異常検出
- Authors: Jingcan Duan, Siwei Wang, Pei Zhang, En Zhu, Jingtao Hu, Hu Jin, Yue
Liu, Zhibin Dong
- Abstract要約: グラフ異常検出(GAD)は、グラフベースの機械学習において重要なタスクであり、多くの現実世界のアプリケーションに広く応用されている。
最近の手法は、GAD、すなわちノード-サブグラフとノード-ノードコントラストの様々なコントラスト戦略に注意を払っている。
本稿では,まず,サブグラフ・サブグラフ・コントラストを用いたマルチビューマルチスケールコントラスト学習フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 30.096056498278752
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph anomaly detection (GAD) is a vital task in graph-based machine learning
and has been widely applied in many real-world applications. The primary goal
of GAD is to capture anomalous nodes from graph datasets, which evidently
deviate from the majority of nodes. Recent methods have paid attention to
various scales of contrastive strategies for GAD, i.e., node-subgraph and
node-node contrasts. However, they neglect the subgraph-subgraph comparison
information which the normal and abnormal subgraph pairs behave differently in
terms of embeddings and structures in GAD, resulting in sub-optimal task
performance. In this paper, we fulfill the above idea in the proposed
multi-view multi-scale contrastive learning framework with subgraph-subgraph
contrast for the first practice. To be specific, we regard the original input
graph as the first view and generate the second view by graph augmentation with
edge modifications. With the guidance of maximizing the similarity of the
subgraph pairs, the proposed subgraph-subgraph contrast contributes to more
robust subgraph embeddings despite of the structure variation. Moreover, the
introduced subgraph-subgraph contrast cooperates well with the widely-adopted
node-subgraph and node-node contrastive counterparts for mutual GAD performance
promotions. Besides, we also conduct sufficient experiments to investigate the
impact of different graph augmentation approaches on detection performance. The
comprehensive experimental results well demonstrate the superiority of our
method compared with the state-of-the-art approaches and the effectiveness of
the multi-view subgraph pair contrastive strategy for the GAD task.
- Abstract（参考訳）: グラフ異常検出(GAD)は、グラフベースの機械学習において重要なタスクであり、多くの現実世界のアプリケーションに広く応用されている。
GADの主な目標は、グラフデータセットから異常ノードをキャプチャすることであり、これは明らかにほとんどのノードから逸脱している。
最近の手法は、GAD、すなわちノード-サブグラフとノード-ノードコントラストの様々なコントラスト戦略に注意を払っている。
しかし、通常のサブグラフ対と異常なサブグラフ対がGADの埋め込みや構造において異なる振る舞いをするサブグラフ-サブグラフ比較情報を無視し、サブ最適タスク性能をもたらす。
本稿では,提案するマルチビューマルチスケールコントラスト学習フレームワークにおいて,まず,サブグラフとサブグラフのコントラストを併用した上で,上記の考え方を実現する。
具体的には、元の入力グラフを第1のビューとみなし、エッジ修正によるグラフ拡張による第2のビューを生成する。
サブグラフ対の類似性を最大化するためのガイダンスにより、提案したサブグラフ-サブグラフコントラストは、構造の変化にもかかわらずより堅牢なサブグラフ埋め込みに寄与する。
さらに,提案したサブグラフ・サブグラフのコントラストは,GAD性能向上のためのノード・サブグラフとノード・ノード・コントラストのコントラストとよく一致している。
また,様々なグラフ拡張手法が検出性能に与える影響について十分な実験を行った。
総合的な実験結果から,本手法の最先端手法との比較と,GADタスクに対する多視点サブグラフペアコントラスト戦略の有効性が明らかとなった。
関連論文リスト
- 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) - Subgraph Networks Based Contrastive Learning [5.736011243152416]
グラフコントラスト学習(GCL)は、注釈付きデータ不足の問題を解決する。
既存のGCL手法の多くは、グラフ拡張戦略や相互情報推定操作の設計に重点を置いている。
サブグラフネットワークに基づくコントラスト学習(SGNCL)という新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-06T08:52:44Z) - NESS: Node Embeddings from Static SubGraphs [0.0]
本稿では,グラフオートエンコーダ(GAE)を用いて静的サブグラフ(NESS)からノード埋め込みをトランスダクティブに学習するフレームワークを提案する。
NESSは2つの主要なアイデアに基づいている。 i) トレーニンググラフをデータ前処理中にランダムなエッジ分割を使用して、重複しないエッジを持つ複数の静的でスパースなサブグラフに分割する。
我々はNESSがリンク予測タスクに対して、グラフ全体またはサブグラフのいずれかを使用する現在の自動符号化手法と比較して、より良いノード表現を提供することを示した。
論文 参考訳（メタデータ） (2023-03-15T22:14:28Z) - Graph Contrastive Learning with Implicit Augmentations [36.57536688367965]
Inlicit Graph Contrastive Learning (iGCL)は、グラフトポロジ構造を再構築することにより、変分グラフオートエンコーダから学習した潜時空間の増大を利用する。
グラフレベルとノードレベルの両方のタスクに対する実験結果から,提案手法が最先端の性能を実現することを示す。
論文 参考訳（メタデータ） (2022-11-07T17:34:07Z) - CGMN: A Contrastive Graph Matching Network for Self-Supervised Graph
Similarity Learning [65.1042892570989]
自己教師付きグラフ類似性学習のためのコントラストグラフマッチングネットワーク(CGMN)を提案する。
我々は,効率的なノード表現学習のために,クロスビューインタラクションとクロスグラフインタラクションという2つの戦略を用いる。
我々はノード表現をグラフ類似性計算のためのプール演算によりグラフレベル表現に変換する。
論文 参考訳（メタデータ） (2022-05-30T13:20:26Z) - GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。
本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
論文 参考訳（メタデータ） (2022-03-24T02:58:36Z) - Dual Space Graph Contrastive Learning [82.81372024482202]
本研究では,新しいグラフコントラスト学習手法,すなわち textbfDual textbfSpace textbfGraph textbfContrastive (DSGC) Learningを提案する。
両空間にはグラフデータを埋め込み空間に表現する独自の利点があるので、グラフコントラスト学習を用いて空間をブリッジし、双方の利点を活用することを期待する。
論文 参考訳（メタデータ） (2022-01-19T04:10:29Z) - A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。
AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。
本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文 参考訳（メタデータ） (2021-05-22T07:05:48Z) - Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。
標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。
総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
論文 参考訳（メタデータ） (2020-07-08T19:48:19Z)
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。