Fugu-MT 論文翻訳(概要): Decoupling anomaly discrimination and representation learning: self-supervised learning for anomaly detection on attributed graph

論文の概要: Decoupling anomaly discrimination and representation learning: self-supervised learning for anomaly detection on attributed graph

arxiv url: http://arxiv.org/abs/2304.05176v1
Date: Tue, 11 Apr 2023 12:23:40 GMT
ステータス: 処理完了
システム内更新日: 2023-04-12 15:04:35.676040
Title: Decoupling anomaly discrimination and representation learning: self-supervised learning for anomaly detection on attributed graph
Title（参考訳）: 異常識別と表現学習の分離:属性グラフ上の異常検出のための自己教師付き学習
Authors: YanMing Hu, Chuan Chen, BoWen Deng, YuJing Lai, Hao Lin, ZiBin Zheng and Jing Bian
Abstract要約: DSLADは、異常検出のために分離された異常識別と表現学習を備えた自己教師型手法である。さまざまな6つのベンチマークデータセットで実施された実験は、DSLADの有効性を明らかにしている。
参考スコア（独自算出の注目度）: 18.753970895946814
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Anomaly detection on attributed graphs is a crucial topic for its practical application. Existing methods suffer from semantic mixture and imbalance issue because they mainly focus on anomaly discrimination, ignoring representation learning. It conflicts with the assortativity assumption that anomalous nodes commonly connect with normal nodes directly. Additionally, there are far fewer anomalous nodes than normal nodes, indicating a long-tailed data distribution. To address these challenges, a unique algorithm,Decoupled Self-supervised Learning forAnomalyDetection (DSLAD), is proposed in this paper. DSLAD is a self-supervised method with anomaly discrimination and representation learning decoupled for anomaly detection. DSLAD employs bilinear pooling and masked autoencoder as the anomaly discriminators. By decoupling anomaly discrimination and representation learning, a balanced feature space is constructed, in which nodes are more semantically discriminative, as well as imbalance issue can be resolved. Experiments conducted on various six benchmark datasets reveal the effectiveness of DSLAD.
Abstract（参考訳）: 属性グラフ上の異常検出は、その実用上重要なトピックである。既存の手法は、主に異常識別に焦点を合わせ、表現学習を無視しているため、意味的混合と不均衡に苦しむ。これは、異常ノードが通常ノードと直接接続するという非合理性仮定と矛盾する。さらに、通常のノードよりもはるかに少ない異常ノードが存在し、ロングテールデータ分布を示す。これらの課題に対処するために,一意のアルゴリズムであるDecoupled Self-supervised Learning for AnomalyDetection (DSLAD)を提案する。 DSLADは、異常検出のために分離された異常識別と表現学習を備えた自己教師型手法である。 DSLADは、異常識別器としてバイリニアプーリングとマスク付きオートエンコーダを使用している。異常判別と表現学習を分離することにより、ノードがより意味的に識別可能なバランスの取れた特徴空間を構築し、不均衡問題を解決できる。 6つのベンチマークデータセットで実施された実験は、DSLADの有効性を明らかにしている。

関連論文リスト

Anomaly Detection by Context Contrasting [57.695202846009714]
異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。近年の自己教師型学習の進歩は、この点において大きな可能性を秘めている。我々はコンテキスト拡張を通じて学習するCon$を提案する。
論文参考訳（メタデータ） (2024-05-29T07:59:06Z)
Alleviating Structural Distribution Shift in Graph Anomaly Detection [70.1022676681496]
グラフ異常検出(GAD)は二項分類の問題である。ガロン神経ネットワーク(GNN)は、同胞性隣人からの正常の分類に有用である。ヘテロ親水性隣人の影響を緩和し、不変にするための枠組みを提案する。
論文参考訳（メタデータ） (2024-01-25T13:07:34Z)
AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
製造業において異常検査が重要な役割を担っている。既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
論文参考訳（メタデータ） (2023-12-10T05:13:40Z)
SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation [77.71161225100927]
異常検出は、機械学習の基本的な問題であるが、難しい問題である。本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
論文参考訳（メタデータ） (2021-11-25T03:53:43Z)
Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
論文参考訳（メタデータ） (2021-08-01T14:33:17Z)
DASVDD: Deep Autoencoding Support Vector Data Descriptor for Anomaly Detection [9.19194451963411]
半教師付き異常検出は、通常のデータに基づいて訓練されたモデルを用いて、通常のサンプルから異常を検出することを目的としている。本稿では,自己エンコーダのパラメータを協調的に学習する手法であるDASVDDを提案する。
論文参考訳（メタデータ） (2021-06-09T21:57:41Z)
Understanding the Effect of Bias in Deep Anomaly Detection [15.83398707988473]
異常検出はラベル付き異常データの不足のため、機械学習においてユニークな課題となる。最近の研究は、追加のラベル付き異常サンプルによる深部異常検出モデルのトレーニングを増強することで、このような問題を緩和しようとするものである。本稿では,異常検出に対するバイアス付き異常集合の効果を理解することを目的とする。
論文参考訳（メタデータ） (2021-05-16T03:55:02Z)
Supervised Anomaly Detection via Conditional Generative Adversarial Network and Ensemble Active Learning [24.112455929818484]
異常検出はマシンインテリジェンスに広く応用されているが、未解決の問題である。従来の教師なし異常検出器は最適以下であり、教師付きモデルはバイアス予測を容易に行うことができる。 Ensemble Active Learning Generative Adversarial Network (EAL-GAN) の導入により,新たな教師付き異常検知器を提案する。
論文参考訳（メタデータ） (2021-04-24T13:47:50Z)
Hop-Count Based Self-Supervised Anomaly Detection on Attributed Networks [8.608288231153304]
ローカル情報とグローバルコンテキスト情報の両方をモデル化して異常を検出するHCM(Hop-count based model)を提案する。ホップカウントを異常識別に有効活用するため,ホップカウント予測を自己監視タスクとして用いることを提案する。
論文参考訳（メタデータ） (2021-04-16T06:43:05Z)
Anomaly detection using principles of human perception [0.0]
簡易かつリアルタイムかつパラメータフリーな教師なし異常検出アルゴリズムを開発した。考えは、異常は、データの大半によって行われた特定のグループに関して予期しない観察であると仮定することです。
論文参考訳（メタデータ） (2021-03-23T05:46:27Z)
Deep Weakly-supervised Anomaly Detection [118.55172352231381]
ペアワイズ関係予測ネットワーク(PReNet)は、ペアワイズ関係の特徴と異常スコアを学習する。 PReNetは、学習したペアの異常パターンに適合する見知らぬ異常を検出できる。 12の実世界のデータセットに対する実証的な結果から、PReNetは目に見えない異常や異常を検知する9つの競合する手法を著しく上回っている。
論文参考訳（メタデータ） (2019-10-30T00:40:25Z)

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。