論文の概要: Subgraph Centralization: A Necessary Step for Graph Anomaly Detection

• arxiv url: http://arxiv.org/abs/2301.06794v1
• Date: Tue, 17 Jan 2023 10:41:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-18 14:30:13.901320
• Title: Subgraph Centralization: A Necessary Step for Graph Anomaly Detection
• Title（参考訳）: サブグラフの集中化:グラフ異常検出に必要なステップ
• Authors: Zhong Zhuang, Kai Ming Ting, Guansong Pang and Shuaibin Song
• Abstract要約: グラフ中心異常検出(GCAD)と呼ばれる簡易かつ効果的な新しいフレームワークを提案する。 既存の検出器に対するGCADの主な利点は、 (i) より良い異常検出精度、 (ii) ノード数に対する線形時間複雑性、 (iii) ネットワーク内のノード異常を検出するために使用される既存の点異常検出を許容する一般的なフレームワークである。
• 参考スコア（独自算出の注目度）: 18.377312882387624
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph anomaly detection has attracted a lot of interest recently. Despite their successes, existing detectors have at least two of the three weaknesses: (a) high computational cost which limits them to small-scale networks only; (b) existing treatment of subgraphs produces suboptimal detection accuracy; and (c) unable to provide an explanation as to why a node is anomalous, once it is identified. We identify that the root cause of these weaknesses is a lack of a proper treatment for subgraphs. A treatment called Subgraph Centralization for graph anomaly detection is proposed to address all the above weaknesses. Its importance is shown in two ways. First, we present a simple yet effective new framework called Graph-Centric Anomaly Detection (GCAD). The key advantages of GCAD over existing detectors including deep-learning detectors are: (i) better anomaly detection accuracy; (ii) linear time complexity with respect to the number of nodes; and (iii) it is a generic framework that admits an existing point anomaly detector to be used to detect node anomalies in a network. Second, we show that Subgraph Centralization can be incorporated into two existing detectors to overcome the above-mentioned weaknesses.
• Abstract（参考訳）: グラフ異常検出は、最近多くの関心を集めている。 彼らの成功にもかかわらず、既存の検出器には3つの弱点のうち少なくとも2つがある。 (a)小規模ネットワークのみに限定される高い計算コスト b) サブグラフの既存の処理は、副最適検出精度を生じさせ、 (c) ノードが異常であると特定されると、なぜ異常なのかを説明できないこと。 これらの弱点の根本原因は,サブグラフに対する適切な治療の欠如である。 グラフ異常検出のための部分グラフ集中化(Subgraph Centralization)と呼ばれる処理は、上記の弱点に対処するために提案される。 その重要性は2つの点で示される。 まず,グラフ中心異常検出(GCAD)と呼ばれる簡易かつ効果的な新しいフレームワークを提案する。 ディープラーニング検出器を含む既存の検出器に対するGCADの主な利点は次のとおりである。 (i)より良い異常検出精度 (ii)ノード数に関する線形時間複雑性、及び (iii)ネットワーク内のノード異常を検出するために,既存の点異常検出装置を使用可能な汎用フレームワークである。 第2に、上記の弱点を克服するために、サブグラフ集中化を既存の2つの検出器に組み込むことができることを示す。

関連論文リスト

• 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)
• ADA-GAD: Anomaly-Denoised Autoencoders for Graph Anomaly Detection [84.0718034981805]
  我々はAnomaly-Denoized Autoencoders for Graph Anomaly Detection (ADA-GAD)という新しいフレームワークを導入する。 第1段階では,異常レベルを低減したグラフを生成する学習自由な異常化拡張法を設計する。 次の段階では、デコーダは元のグラフで検出するために再訓練される。
  論文  参考訳（メタデータ） (2023-12-22T09:02:01Z)
• 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)
• 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)
• Graph Neural Networks based Log Anomaly Detection and Explanation [19.66344385835598]
  イベントログは、ハイテクシステムのステータスを記録するために広く使用されている。 ほとんどの既存のログ異常検出方法は、ログイベントカウント行列またはログイベントシーケンスを入力として取り込む。 我々はLogs2Graphsと呼ばれる教師なしログ異常検出のためのグラフベースの手法を提案する。
  論文  参考訳（メタデータ） (2023-07-02T09:38:43Z)
• ARISE: Graph Anomaly Detection on Attributed Networks via Substructure Awareness [70.60721571429784]
  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。
  論文  参考訳（メタデータ） (2022-11-28T12:17:40Z)
• Graph Neural Network-based Early Bearing Fault Detection [0.18275108630751835]
  グラフニューラルネットワークを用いた新しい故障検出手法を提案する。 AIと現実世界のメカニカルシステムの間に橋を架けている。 提案手法は, 通常の対象領域に混在する異常物体を検出する。
  論文  参考訳（メタデータ） (2022-04-24T08:54:55Z)
• Deep Fraud Detection on Non-attributed Graph [61.636677596161235]
  グラフニューラルネットワーク(GNN)は不正検出に強い性能を示している。 ラベル付きデータは大規模な産業問題、特に不正検出には不十分である。 よりラベルのないデータを活用するための新しいグラフ事前学習戦略を提案する。
  論文  参考訳（メタデータ） (2021-10-04T03:42:09Z)
• One-Class Graph Neural Networks for Anomaly Detection in Attributed Networks [2.591494941326856]
  One Class Graph Neural Network (OCGNN) は、グラフ異常検出のための一級分類フレームワークである。 OCGNNは、グラフニューラルネットワークの強力な表現能力と古典的な一流の目的を組み合わせるように設計されている。
  論文  参考訳（メタデータ） (2020-02-22T01:25:49Z)

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。