論文の概要: MetaGAD: Learning to Meta Transfer for Few-shot Graph Anomaly Detection
- arxiv url: http://arxiv.org/abs/2305.10668v1
- Date: Thu, 18 May 2023 03:04:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-19 17:10:39.893700
- Title: MetaGAD: Learning to Meta Transfer for Few-shot Graph Anomaly Detection
- Title(参考訳): MetaGAD:Few-shot Graph Anomaly Detectionのためのメタトランスファー学習
- Authors: Xiongxiao Xu, Kaize Ding, Canyu Chen, Kai Shu
- Abstract要約: 本稿では,グラフ異常検出のためのラベル付きノードとラベル付きノードの知識をメタトランスファーするMetaGADを提案する。
6つの実世界のデータセットに対する実験結果から,提案手法の有効性が示された。
- 参考スコア(独自算出の注目度): 18.393760765481836
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph anomaly detection has long been an important problem in various domains
pertaining to information security such as financial fraud, social spam,
network intrusion, etc. The majority of existing methods are performed in an
unsupervised manner, as labeled anomalies in a large scale are often too
expensive to acquire. However, the identified anomalies may turn out to be data
noises or uninteresting data instances due to the lack of prior knowledge on
the anomalies. In realistic scenarios, it is often feasible to obtain limited
labeled anomalies, which have great potential to advance graph anomaly
detection. However, the work exploring limited labeled anomalies and a large
amount of unlabeled nodes in graphs to detect anomalies is rather limited.
Therefore, in this paper, we study a novel problem of few-shot graph anomaly
detection. We propose a new framework MetaGAD to learn to meta-transfer the
knowledge between unlabeled and labeled nodes for graph anomaly detection.
Experimental results on six real-world datasets with synthetic anomalies and
"organic" anomalies (available in the dataset) demonstrate the effectiveness of
the proposed approach in detecting anomalies with limited labeled anomalies.
- Abstract(参考訳): グラフ異常検出は, 金融詐欺, ソーシャルスパム, ネットワーク侵入など, 情報セキュリティに関する諸分野において, 長年にわたり重要な問題であった。
既存の手法の大部分は教師なしの方法で行われ、大規模にラベル付けされた異常はしばしば取得するには高価である。
しかし、識別された異常は、異常に関する事前の知識がないため、データノイズや興味のないデータインスタンスとなる可能性がある。
現実的なシナリオでは、ラベル付き異常を限定的に得ることがしばしば可能であり、グラフ異常検出を前進させる可能性がある。
しかし、グラフ内のラベル付き異常や大量の未ラベルノードを探索して異常を検出する作業は限られている。
そこで本稿では,少数ショットグラフ異常検出の新たな問題について検討する。
本稿では,グラフ異常検出のためのラベル付きノードとラベル付きノードの知識をメタトランスファーするMetaGADを提案する。
合成異常を伴う実世界の6つのデータセットと「有機」異常(データセットで利用可能)の実験結果から,ラベル付き異常を限定した異常を検出する手法の有効性が示された。
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) - Few-shot Message-Enhanced Contrastive Learning for Graph Anomaly
Detection [15.757864894708364]
グラフ異常検出は、多数派から大きく逸脱するグラフデータの例外的なインスタンスを特定する上で重要な役割を果たす。
我々はFMGADと呼ばれる新しい数ショットグラフ異常検出モデルを提案する。
FMGADは, 人工的に注入された異常やドメイン・有機異常によらず, 他の最先端手法よりも優れた性能が得られることを示す。
論文 参考訳(メタデータ) (2023-11-17T07:49:20Z) - SAD: Semi-Supervised Anomaly Detection on Dynamic Graphs [11.819993729810257]
異常検出は、良性例の大多数と大きく異なる異常例を区別することを目的としている。
グラフニューラルネットワークは、異常検出問題に取り組むことで、ますます人気が高まっている。
動的グラフ上での異常検出のためのエンドツーエンドフレームワークである半教師付き異常検出(SAD)を提案する。
論文 参考訳(メタデータ) (2023-05-23T01:05:34Z) - Catching Both Gray and Black Swans: Open-set Supervised Anomaly
Detection [90.32910087103744]
ラベル付き異常な例は、多くの現実世界のアプリケーションでよく見られる。
これらの異常例は、アプリケーション固有の異常について貴重な知識を提供する。
トレーニング中に見られる異常は、可能なあらゆる種類の異常を説明できないことが多い。
本稿では,オープンセット型教師付き異常検出に取り組む。
論文 参考訳(メタデータ) (2022-03-28T05:21:37Z) - 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) - A Taxonomy of Anomalies in Log Data [0.09558392439655014]
異常の一般的な分類法は、すでに存在するが、ログデータに特に適用されていない。
本稿では,異なる種類のログデータ異常に対する分類法を提案し,ラベル付きデータセットにおけるそのような異常を分析する方法を提案する。
以上の結果から,最も一般的な異常型が予測し易いことが示唆された。
論文 参考訳(メタデータ) (2021-11-26T12:23:06Z) - A Comprehensive Survey on Graph Anomaly Detection with Deep Learning [37.83120827837028]
異常は稀な観測(例えば、データ記録や出来事)であり、他のものとは大きく異なる。
本研究では,グラフ異常検出のための現代のディープラーニング技術について,体系的かつ包括的にレビューすることを目的とする。
論文 参考訳(メタデータ) (2021-06-14T06:04:57Z) - Toward Deep Supervised Anomaly Detection: Reinforcement Learning from
Partially Labeled Anomaly Data [150.9270911031327]
本稿では,一部のラベル付き異常事例と大規模ラベルなしデータセットを用いた異常検出の問題点について考察する。
既存の関連手法は、通常、一連の異常にまたがらない限られた異常例にのみ適合するか、ラベルのないデータから教師なしの学習を進めるかのいずれかである。
そこで本研究では,ラベル付きおよびラベルなし両方の異常の検出をエンドツーエンドに最適化する,深層強化学習に基づくアプローチを提案する。
論文 参考訳(メタデータ) (2020-09-15T03:05:39Z) - 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。