論文の概要: Deep Graph-Level Orthogonal Hypersphere Compression for Anomaly
Detection
- arxiv url: http://arxiv.org/abs/2302.06430v1
- Date: Mon, 13 Feb 2023 15:10:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-14 15:12:19.086966
- Title: Deep Graph-Level Orthogonal Hypersphere Compression for Anomaly
Detection
- Title(参考訳): 深部グラフレベル直交超球圧縮による異常検出
- Authors: Yunhe Zhang, Yan Sun, Jinyu Cai, Jicong Fan
- Abstract要約: 本稿では,新しい深部グラフレベルの異常検出モデルを提案する。
サブストラクチャとグローバル構造特徴の間の最大相互情報でグラフ表現を学習する。
また、通常のグラフからの異常グラフの識別を強調するために、双超球圧縮を行う。
- 参考スコア(独自算出の注目度): 17.51161217561063
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph-level anomaly detection aims to identify anomalous graphs from a
collection of graphs in an unsupervised manner. A common assumption of anomaly
detection is that a reasonable decision boundary has a hypersphere shape, but
may appear some non-conforming phenomena in high dimensions. Towards this end,
we firstly propose a novel deep graph-level anomaly detection model, which
learns the graph representation with maximum mutual information between
substructure and global structure features while exploring a hypersphere
anomaly decision boundary. The idea is to ensure the training data distribution
consistent with the decision hypersphere via an orthogonal projection layer.
Moreover, we further perform the bi-hypersphere compression to emphasize the
discrimination of anomalous graphs from normal graphs. Note that our method is
not confined to graph data and is applicable to anomaly detection of other data
such as images. The numerical and visualization results on benchmark datasets
demonstrate the effectiveness and superiority of our methods in comparison to
many baselines and state-of-the-arts.
- Abstract(参考訳): グラフレベルの異常検出は、教師なしの方法でグラフの集合から異常グラフを識別することを目的としている。
異常検出の一般的な仮定は、合理的な決定境界は超球形であるが、高次元においていくつかの非コンフォーミング現象が現れるというものである。
まず,超球異常決定境界を探索しながら,下位構造と大域構造特徴の最大相互情報を含むグラフ表現を学習する,新しい深層グラフレベル異常検出モデルを提案する。
そのアイデアは、直交射影層を介して決定超球面と一致するトレーニングデータ分布を保証することである。
さらに, 正規グラフからの異常グラフの識別を強調するために, 双超球圧縮も行う。
本手法はグラフデータに限らず,画像などの他のデータの異常検出にも適用可能である。
ベンチマークデータセットの数値と可視化の結果は,多くのベースラインや最先端データと比較して,提案手法の有効性と優越性を示している。
関連論文リスト
- 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) - Discriminative Graph-level Anomaly Detection via Dual-students-teacher
Model [20.18156458266286]
グラフレベルの異常検出の目標は、グラフ集合内の他のものと大きく異なる異常グラフを見つけることである。
本研究ではまず,異常なグラフ情報を定義し,ノードレベルとグラフレベルの情報差を適用して識別する。
正規グラフと異常グラフで訓練された2つの競合する学生モデルは、それぞれノードレベルとグラフレベルの表現の観点から教師モデルのグラフ表現に適合する。
論文 参考訳(メタデータ) (2023-08-03T08:29:26Z) - 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) - Multi-representations Space Separation based Graph-level Anomaly-aware
Detection [8.39109029417354]
本研究の目的は,グラフ集合内の異常グラフの検出方法に焦点をあてることである。
本稿では,多表現空間分離に基づくグラフレベルの異常検出フレームワークを提案する。
テストグラフのグラフ表現と正規および異常グラフ表現空間との間の距離誤差に基づいて、テストグラフが異常であるか否かを正確に判定できる。
論文 参考訳(メタデータ) (2023-07-22T01:57:08Z) - From Unsupervised to Few-shot Graph Anomaly Detection: A Multi-scale
Contrastive Learning Approach [49.439021563395976]
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) - Multilayer Clustered Graph Learning [66.94201299553336]
我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。
実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。
クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
論文 参考訳(メタデータ) (2020-10-29T09:58:02Z) - Semi-supervised Anomaly Detection on Attributed Graphs [43.69966808278313]
本稿では,少数のインスタンスのラベル情報を用いて属性グラフ上の異常なインスタンスを検出する方法を提案する。
提案手法は,属性を考慮し,属性グラフ上に潜在空間のノードを埋め込む。
実世界の5つの属性グラフデータセットを用いた実験において,提案手法が既存の異常検出法よりも優れた性能を示すことを示す。
論文 参考訳(メタデータ) (2020-02-27T10:06:22Z)
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。