論文の概要: Revisiting Graph Contrastive Learning for Anomaly Detection

• arxiv url: http://arxiv.org/abs/2305.02496v1
• Date: Thu, 4 May 2023 01:57:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-05 17:28:10.559917
• Title: Revisiting Graph Contrastive Learning for Anomaly Detection
• Title（参考訳）: 異常検出のためのグラフコントラスト学習の再検討
• Authors: Zhiyuan Liu, Chunjie Cao, Fangjian Tao and Jingzhang Sun
• Abstract要約: 既存のグラフコントラスト検出手法は主にグラフ拡張とマルチスケールコントラストモジュールに焦点を当てている。 我々は,既存のGCAD手法を相互に統合したマルチGNNと拡張グラフのコントラストフレームワークMAGを提案する。 本研究は,既存のGCAD手法の欠点に光を当て,マルチGNNおよびグラフ拡張モジュールの可能性を示す。
• 参考スコア（独自算出の注目度）: 14.09889920588769
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Combining Graph neural networks (GNNs) with contrastive learning for anomaly detection has drawn rising attention recently. Existing graph contrastive anomaly detection (GCAD) methods have primarily focused on improving detection capability through graph augmentation and multi-scale contrast modules. However, the underlying mechanisms of how these modules work have not been fully explored. We dive into the multi-scale and graph augmentation mechanism and observed that multi-scale contrast modules do not enhance the expression, while the multi-GNN modules are the hidden contributors. Previous studies have tended to attribute the benefits brought by multi-GNN to the multi-scale modules. In the paper, we delve into the misconception and propose Multi-GNN and Augmented Graph contrastive framework MAG, which unified the existing GCAD methods in the contrastive self-supervised perspective. We extracted two variants from the MAG framework, L-MAG and M-MAG. The L-MAG is the lightweight instance of the MAG, which outperform the state-of-the-art on Cora and Pubmed with the low computational cost. The variant M-MAG equipped with multi-GNN modules further improve the detection performance. Our study sheds light on the drawback of the existing GCAD methods and demonstrates the potential of multi-GNN and graph augmentation modules. Our code is available at https://github.com/liuyishoua/MAG-Framework.
• Abstract（参考訳）: グラフニューラルネットワーク(gnns)と対比学習を組み合わせた異常検出が注目されている。 既存のグラフコントラスト検出法(GCAD)は,グラフ拡張とマルチスケールコントラストモジュールによる検出能力の向上に重点を置いている。 しかしながら、これらのモジュールの動作のメカニズムは十分に解明されていない。 我々は,マルチスケールおよびグラフ拡張機構について考察し,マルチスケールコントラストモジュールは表現を増強しないのに対し,マルチgnnモジュールは隠れた寄与者であることを確認した。 これまでの研究は、マルチGNNのメリットをマルチスケールモジュールにもたらす傾向があった。 本稿では,この誤解を深く掘り下げ,従来のGCAD手法を自己監督的視点で統一したマルチGNNおよびAugmented GraphコントラストフレームワークMAGを提案する。 MAGフレームワークからL-MAGとM-MAGの2つの変種を抽出した。 L-MAGはMAGの軽量なインスタンスであり、コラの最先端技術より優れ、計算コストも低い。 マルチGNNモジュールを備えたM-MAGは検出性能をさらに向上させる。 本研究は,既存のGCAD手法の欠点に光を当て,マルチGNNおよびグラフ拡張モジュールの可能性を示す。 私たちのコードはhttps://github.com/liuyishoua/mag-frameworkで利用可能です。

関連論文リスト

• Classifier-guided Gradient Modulation for Enhanced Multimodal Learning [50.7008456698935]
  Gradient-Guided Modulation (CGGM) は,マルチモーダル学習と勾配のバランスをとる新しい手法である。 UPMC-Food 101, CMU-MOSI, IEMOCAP, BraTSの4つのマルチモーダルデータセットについて広範な実験を行った。 CGGMはすべてのベースラインや最先端のメソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2024-11-03T02:38:43Z)
• MM-GTUNets: Unified Multi-Modal Graph Deep Learning for Brain Disorders Prediction [8.592259720470697]
  脳障害予測のためのマルチモーダルグラフ深層学習フレームワークMM-GTUNetsを提案する。 本稿では,報酬システムを用いて集団グラフを適応的に構築するMRRL(Modality Reward Representation Learning)を提案する。 また,ACMGL(Adaptive Cross-Modal Graph Learning)を提案する。
  論文  参考訳（メタデータ） (2024-06-20T16:14:43Z)
• Sign is Not a Remedy: Multiset-to-Multiset Message Passing for Learning on Heterophilic Graphs [77.42221150848535]
  我々は、Multiset to Multiset GNN(M2M-GNN)と呼ばれる新しいメッセージパッシング機能を提案する。 M2M-GNNは上述のSMPの限界を効果的に緩和し, 比較性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-05-31T07:39:22Z)
• MAGDi: Structured Distillation of Multi-Agent Interaction Graphs Improves Reasoning in Smaller Language Models [61.479419734006825]
  我々は,複数言語モデル (LLM) エージェント間の推論相互作用をより小さなLMに構造化した新しい蒸留法であるMAGDiを紹介する。 7つの広く使われているコモンセンスおよび数学推論ベンチマークの実験は、MAGDiがより小さなモデルの推論能力を改善することを示している。 我々は、MAGDiが領域外タスクの一般化性を高め、基礎となる学生モデルのサイズと強度に正にスケールし、自己整合性を適用する際により大きな改善をもたらすことを示すため、広範囲な分析を行った。
  論文  参考訳（メタデータ） (2024-02-02T18:35:14Z)
• Momentum Gradient-based Untargeted Attack on Hypergraph Neural Networks [17.723282166737867]
  ハイパーグラフニューラルネットワーク(HGNN)は、様々なハイパーグラフ関連タスクにうまく適用されている。 近年の研究では、ディープラーニングモデルは敵の攻撃に弱いことが示されている。 我々は、ノード機能の変更に焦点を当てた、未ターゲット攻撃のための新しいHGNNアタックモデル、MGHGAを設計する。
  論文  参考訳（メタデータ） (2023-10-24T09:10:45Z)
• MGNNI: Multiscale Graph Neural Networks with Implicit Layers [53.75421430520501]
  暗黙グラフニューラルネットワーク(GNN)は、基礎となるグラフの長距離依存性をキャプチャするために提案されている。 暗黙的GNNの2つの弱点は、長距離依存を捉えるための限られた有効範囲による制約付き表現性と、複数の解像度でグラフ上のマルチスケール情報をキャプチャする能力の欠如である。 グラフ上のマルチスケール構造をモデル化できる暗黙の層(MGNNI)を持つマルチスケールグラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-10-15T18:18:55Z)
• Gradient Gating for Deep Multi-Rate Learning on Graphs [62.25886489571097]
  グラフニューラルネットワーク(GNN)の性能向上のための新しいフレームワークであるグラディエントゲーティング(G$2$)を提案する。 我々のフレームワークは,GNN層の出力を,基盤となるグラフのノード間でのメッセージパッシング情報のマルチレートフローのメカニズムでゲーティングすることに基づいている。
  論文  参考訳（メタデータ） (2022-10-02T13:19:48Z)
• sMGC: A Complex-Valued Graph Convolutional Network via Magnetic Laplacian for Directed Graphs [10.993455818148341]
  本稿では,ラプラシアンの変形として複雑な位相に符号化することで,エッジの向きを保つ磁気ラプラシアンを提案する。 さらに,グラフからグローバルな特徴を学習可能な自動回帰移動平均フィルタを設計する。 グラフニューラルネットワークにおける複雑な演算を導出し、単純化された磁気グラフ畳み込みネットワーク、すなわちsMGCを考案する。
  論文  参考訳（メタデータ） (2021-10-14T17:36:44Z)
• Optimization and Generalization Analysis of Transduction through Gradient Boosting and Application to Multi-scale Graph Neural Networks [60.22494363676747]
  現在のグラフニューラルネットワーク(GNN)は、オーバースムーシング(over-smoothing)と呼ばれる問題のため、自分自身を深くするのは難しいことが知られている。 マルチスケールGNNは、オーバースムーシング問題を緩和するための有望なアプローチである。 マルチスケールGNNを含むトランスダクティブ学習アルゴリズムの最適化と一般化を保証する。
  論文  参考訳（メタデータ） (2020-06-15T17:06:17Z)

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。