論文の概要: Graph Learning for Anomaly Analytics: Algorithms, Applications, and Challenges

• arxiv url: http://arxiv.org/abs/2212.05532v1
• Date: Sun, 11 Dec 2022 16:05:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-13 18:17:00.520431
• Title: Graph Learning for Anomaly Analytics: Algorithms, Applications, and Challenges
• Title（参考訳）: 異常解析のためのグラフ学習:アルゴリズム、アプリケーション、課題
• Authors: Jing Ren, Feng Xia, Azadeh Noori Hoshyar and Charu C. Aggarwal
• Abstract要約: 異常分析は様々な研究状況において人気があり重要な課題である。 ディープラーニングは、ノード分類、リンク予測、グラフ分類など、多くのグラフベースのタスクを解決する能力を示している。 多くの研究は、異常解析問題を解決するためのグラフ学習モデルを拡張している。
• 参考スコア（独自算出の注目度）: 23.594664156516025
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly analytics is a popular and vital task in various research contexts, which has been studied for several decades. At the same time, deep learning has shown its capacity in solving many graph-based tasks like, node classification, link prediction, and graph classification. Recently, many studies are extending graph learning models for solving anomaly analytics problems, resulting in beneficial advances in graph-based anomaly analytics techniques. In this survey, we provide a comprehensive overview of graph learning methods for anomaly analytics tasks. We classify them into four categories based on their model architectures, namely graph convolutional network (GCN), graph attention network (GAT), graph autoencoder (GAE), and other graph learning models. The differences between these methods are also compared in a systematic manner. Furthermore, we outline several graph-based anomaly analytics applications across various domains in the real world. Finally, we discuss five potential future research directions in this rapidly growing field.
• Abstract（参考訳）: 異常分析は、数十年にわたって研究されてきた様々な研究状況において、人気があり重要な課題である。 同時に、ディープラーニングは、ノード分類、リンク予測、グラフ分類など、多くのグラフベースのタスクを解決する能力を示している。 近年, 異常解析問題の解法としてグラフ学習モデルを拡張し, グラフに基づく異常解析技術に有益な進歩をもたらした。 本稿では,異常解析タスクのためのグラフ学習手法の包括的概要について述べる。 我々はこれらを,グラフ畳み込みネットワーク(GCN),グラフ注意ネットワーク(GAT),グラフオートエンコーダ(GAE),その他のグラフ学習モデルというモデルアーキテクチャに基づいて,4つのカテゴリに分類する。 これらの方法の違いも体系的に比較される。 さらに,実世界の様々な領域にまたがるグラフベースの異常解析アプリケーションについて概説する。 最後に,この急成長分野における将来研究の5つの方向性について考察する。

関連論文リスト

• Parametric Graph Representations in the Era of Foundation Models: A Survey and Position [69.48708136448694]
  グラフは、包括的なリレーショナルデータをモデル化するために、過去数十年間、ビッグデータとAIで広く使われてきた。 有意義なグラフ法則の同定は、様々な応用の有効性を著しく向上させることができる。
  論文  参考訳（メタデータ） (2024-10-16T00:01:31Z)
• Knowledge Probing for Graph Representation Learning [12.960185655357495]
  グラフ表現学習において,グラフ学習手法のファミリーが異なるレベルの知識を符号化したかどうかを調査・解釈するための新しいグラフ探索フレームワーク(GraphProbe)を提案する。 グラフの固有の性質に基づいて,異なる視点からグラフ表現学習過程を体系的に研究する3つのプローブを設計する。 本研究では、ランダムウォークに基づく9つの代表的なグラフ学習手法、基本グラフニューラルネットワーク、自己教師付きグラフ手法を用いて、詳細な評価ベンチマークを構築し、ノード分類、リンク予測、グラフ分類のための6つのベンチマークデータセットでそれらを探索する。
  論文  参考訳（メタデータ） (2024-08-07T16:27:45Z)
• A Survey of Data-Efficient Graph Learning [16.053913182723143]
  研究フロンティアとして,データ効率グラフ学習(DEGL)の新たな概念を紹介した。 我々は、自己教師付きグラフ学習、半教師付きグラフ学習、少数ショットグラフ学習など、いくつかの重要な側面に関する最近の進歩を体系的にレビューした。
  論文  参考訳（メタデータ） (2024-02-01T09:28:48Z)
• Towards Graph Foundation Models: A Survey and Beyond [66.37994863159861]
  ファンデーションモデルは、さまざまな人工知能アプリケーションにおいて重要なコンポーネントとして現れてきた。 基礎モデルがグラフ機械学習研究者を一般化し、適応させる能力は、新しいグラフ学習パラダイムを開発する可能性について議論する。 本稿では,グラフ基礎モデル(GFM)の概念を紹介し,その重要な特徴と基礎技術について概説する。
  論文  参考訳（メタデータ） (2023-10-18T09:31:21Z)
• Self-Discriminative Modeling for Anomalous Graph Detection [27.595520991245014]
  本稿では,異常グラフ検出のための自己識別型モデリングフレームワークを提案する。 異常グラフ検出のための計算効率と安定性の異なる3つのアルゴリズムを提供する。 驚くべきことに、我々のアルゴリズムは教師なしだが、異常グラフ検出の教師付き学習アルゴリズムを著しく上回っている。
  論文  参考訳（メタデータ） (2023-10-10T02:08:09Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• Learning node embeddings via summary graphs: a brief theoretical analysis [55.25628709267215]
  グラフ表現学習は多くのグラフマイニングアプリケーションにおいて重要な役割を果たすが、大規模なグラフの埋め込みを学習することは依然として問題である。 最近の研究は、グラフの要約(つまり、より小さな要約グラフへの埋め込みを学習し、元のグラフのノード埋め込みを復元することでスケーラビリティを向上させる。 本稿では,導入したカーネル行列に基づく3つの特定の埋め込み学習手法について,詳細な理論的解析を行う。
  論文  参考訳（メタデータ） (2022-07-04T04:09:50Z)
• Graph Self-supervised Learning with Accurate Discrepancy Learning [64.69095775258164]
  離散性に基づく自己監督型LeArning(D-SLA)と呼ばれる原図と摂動グラフの正確な相違を学習することを目的としたフレームワークを提案する。 本稿では,分子特性予測,タンパク質機能予測,リンク予測タスクなど,グラフ関連下流タスクにおける本手法の有効性を検証する。
  論文  参考訳（メタデータ） (2022-02-07T08:04:59Z)
• Graph Learning: A Survey [38.245120261668816]
  本稿では,グラフ学習の現状について概観する。 グラフ信号処理,行列分解,ランダムウォーク,ディープラーニングなど,既存のグラフ学習手法の4つのカテゴリに特に注目されている。 テキスト,画像,科学,知識グラフ,最適化といった分野におけるグラフ学習アプリケーションについて検討する。
  論文  参考訳（メタデータ） (2021-05-03T09:06:01Z)
• A Survey of Adversarial Learning on Graphs [59.21341359399431]
  本稿では,グラフ逆学習タスクに関する既存の研究を考察し,要約する。 具体的には、グラフ解析タスクにおける攻撃と防御に関する既存の作業を調査し、統一する。 我々は、関連する評価指標の重要性を強調し、それらを総合的に調査し、要約する。
  論文  参考訳（メタデータ） (2020-03-10T12:48:00Z)

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。