Fugu-MT 論文翻訳(概要): Mul-GAD: a semi-supervised graph anomaly detection framework via aggregating multi-view information

論文の概要: Mul-GAD: a semi-supervised graph anomaly detection framework via aggregating multi-view information

arxiv url: http://arxiv.org/abs/2212.05478v1
Date: Sun, 11 Dec 2022 11:34:34 GMT
ステータス: 処理完了
システム内更新日: 2022-12-13 15:18:28.586547
Title: Mul-GAD: a semi-supervised graph anomaly detection framework via aggregating multi-view information
Title（参考訳）: mul-gad:マルチビュー情報集約による半教師付きグラフ異常検出フレームワーク
Authors: Zhiyuan Liu, Chunjie Cao and Jingzhang Sun
Abstract要約: グラフ異常検出のための多視点融合手法(Mul-GAD)を提案する。ビューレベルの融合は異なるビュー間の重要度を捉え、特徴レベルの融合は補完情報を完全に活用する。他の最先端検出手法と比較して、ほとんどのシナリオにおいて検出性能と一般化が向上する。
参考スコア（独自算出の注目度）: 15.845749788061003
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Anomaly detection is defined as discovering patterns that do not conform to the expected behavior. Previously, anomaly detection was mostly conducted using traditional shallow learning techniques, but with little improvement. As the emergence of graph neural networks (GNN), graph anomaly detection has been greatly developed. However, recent studies have shown that GNN-based methods encounter challenge, in that no graph anomaly detection algorithm can perform generalization on most datasets. To bridge the tap, we propose a multi-view fusion approach for graph anomaly detection (Mul-GAD). The view-level fusion captures the extent of significance between different views, while the feature-level fusion makes full use of complementary information. We theoretically and experimentally elaborate the effectiveness of the fusion strategies. For a more comprehensive conclusion, we further investigate the effect of the objective function and the number of fused views on detection performance. Exploiting these findings, our Mul-GAD is proposed equipped with fusion strategies and the well-performed objective function. Compared with other state-of-the-art detection methods, we achieve a better detection performance and generalization in most scenarios via a series of experiments conducted on Pubmed, Amazon Computer, Amazon Photo, Weibo and Books. Our code is available at https://github.com/liuyishoua/Mul-Graph-Fusion.
Abstract（参考訳）: 異常検出は、期待される振る舞いに適合しないパターンの発見として定義される。従来, 従来の浅層学習技術を用いて異常検出を行ったが, ほとんど改善されなかった。グラフニューラルネットワーク(GNN)の出現に伴い,グラフ異常検出が大幅に進展した。しかし、近年の研究では、グラフ異常検出アルゴリズムがほとんどのデータセットで一般化できないという問題に直面している。タップをブリッジするために,グラフ異常検出(mul-gad)のためのマルチビュー融合手法を提案する。ビューレベルの融合は異なるビュー間の重要度を捉え、特徴レベルの融合は補完情報を完全に活用する。我々は,核融合戦略の有効性を理論的に実験的に詳述する。より包括的な結論として,目的関数と融合ビュー数による検出性能への影響について検討する。本研究は,Mul-GADに核融合戦略と目的関数を併用して実施した。他の最先端検出方法と比較して,Pubmed,Amazon Computer,Amazon Photo,Weibo,Booksで実施した一連の実験を通じて,ほとんどのシナリオにおいて,より優れた検出性能と一般化を実現している。私たちのコードはhttps://github.com/liuyishoua/mul-graph-fusionで利用可能です。

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)
Three Revisits to Node-Level Graph Anomaly Detection: Outliers, Message Passing and Hyperbolic Neural Networks [9.708651460086916]
本稿では,教師なしノードレベルのグラフ異常検出タスクに対するデータセットとアプローチを再検討する。まず,グラフデータセットにおいて,より多様なグラフベースの異常を発生させるアウトリーインジェクション手法を提案する。第2に、メッセージパッシングを利用した手法を非使用者と比較し、予期せぬ性能低下を明らかにした。
論文参考訳（メタデータ） (2024-03-06T19:42:34Z)
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)
Few-shot Message-Enhanced Contrastive Learning for Graph Anomaly Detection [15.757864894708364]
グラフ異常検出は、多数派から大きく逸脱するグラフデータの例外的なインスタンスを特定する上で重要な役割を果たす。我々はFMGADと呼ばれる新しい数ショットグラフ異常検出モデルを提案する。 FMGADは, 人工的に注入された異常やドメイン・有機異常によらず, 他の最先端手法よりも優れた性能が得られることを示す。
論文参考訳（メタデータ） (2023-11-17T07:49:20Z)
Towards Self-Interpretable Graph-Level Anomaly Detection [73.1152604947837]
グラフレベルの異常検出(GLAD)は、コレクションの大多数と比べて顕著な相違を示すグラフを識別することを目的としている。本稿では,異常なグラフを検出し,同時に情報的説明を生成する自己解釈グラフaNomaly dETectionモデル(SIGNET)を提案する。
論文参考訳（メタデータ） (2023-10-25T10:10:07Z)
Normality Learning-based Graph Anomaly Detection via Multi-Scale Contrastive Learning [61.57383634677747]
グラフ異常検出(GAD)は、機械学習やデータマイニングにおいて注目を集めている。本稿では,マルチスケールコントラスト学習ネットワーク(NLGAD,略語)による正規性学習に基づくGADフレームワークを提案する。特に,提案アルゴリズムは,最先端手法と比較して検出性能(最大5.89%のAUCゲイン)を向上させる。
論文参考訳（メタデータ） (2023-09-12T08:06:04Z)
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)
From Unsupervised to Few-shot Graph Anomaly Detection: A Multi-scale Contrastive Learning Approach [26.973056364587766]
グラフデータからの異常検出は、ソーシャルネットワーク、金融、eコマースなど、多くのアプリケーションにおいて重要なデータマイニングタスクである。マルチスケールcONtrastive lEarning(略してANEMONE)を用いた新しいフレームワーク, graph Anomaly dEtection フレームワークを提案する。グラフニューラルネットワークをバックボーンとして、複数のグラフスケール(ビュー)から情報をエンコードすることで、グラフ内のノードのより良い表現を学習する。
論文参考訳（メタデータ） (2022-02-11T09:45:11Z)
Deep Graph-level Anomaly Detection by Glocal Knowledge Distillation [61.39364567221311]
グラフレベルの異常検出(GAD)は、その構造やノードの特徴に異常なグラフを検出する問題を記述している。 GADの課題の1つは、局所的および大域的非正則グラフの検出を可能にするグラフ表現を考案することである。本稿では,グラフとノード表現の連成ランダム蒸留により,グローバルおよびローカルな正規パターン情報を豊富に学習するGADのための新しい深部異常検出手法を提案する。
論文参考訳（メタデータ） (2021-12-19T05:04:53Z)

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。