論文の概要: Truncated Affinity Maximization: One-class Homophily Modeling for Graph
Anomaly Detection
- arxiv url: http://arxiv.org/abs/2306.00006v2
- Date: Fri, 2 Jun 2023 12:07:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-05 18:50:30.055529
- Title: Truncated Affinity Maximization: One-class Homophily Modeling for Graph
Anomaly Detection
- Title(参考訳): Trncated Affinity Maximization: グラフ異常検出のための一級ホモフィリモデリング
- Authors: Hezhe Qiao and Guansong Pang
- Abstract要約: グラフ異常検出のための新しい教師なし異常スコアリング尺度(GAD)を導入する。
ローカルノード親和性は、隣接するノードにより大きな異常スコアを割り当てる。
本稿では,隣接ノードに対する局所親和性を最大化することにより,適切なノード表現を学習するTruncated Affinity Maximization (TAM)を提案する。
- 参考スコア(独自算出の注目度): 15.336323485281444
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One prevalent property we find empirically in real-world graph anomaly
detection (GAD) datasets is a one-class homophily, i.e., normal nodes tend to
have strong connection/affinity with each other, while the homophily in
abnormal nodes is significantly weaker than normal nodes. However, this
anomaly-discriminative property is ignored by existing GAD methods that are
typically built using a conventional anomaly detection objective, such as data
reconstruction. In this work, we explore this property to introduce a novel
unsupervised anomaly scoring measure for GAD -- local node affinity -- that
assigns a larger anomaly score to nodes that are less affiliated with their
neighbors, with the affinity defined as similarity on node
attributes/representations. We further propose Truncated Affinity Maximization
(TAM) that learns tailored node representations for our anomaly measure by
maximizing the local affinity of nodes to their neighbors. Optimizing on the
original graph structure can be biased by non-homophily edges (i.e., edges
connecting normal and abnormal nodes). Thus, TAM is instead optimized on
truncated graphs where non-homophily edges are removed iteratively to mitigate
this bias. The learned representations result in significantly stronger local
affinity for normal nodes than abnormal nodes. Extensive empirical results on
six real-world GAD datasets show that TAM substantially outperforms seven
competing models, achieving over 10% increase in AUROC/AUPRC compared to the
best contenders on challenging datasets. Our code will be made available at
https: //github.com/mala-lab/TAM-master/.
- Abstract(参考訳): 実世界のグラフ異常検出(GAD)データセットで経験的に見られる1つの一般的な特性は、通常のノードは互いに強い接続/親和性を持つ傾向にあり、一方異常ノードのホモフィリは通常のノードよりも著しく弱い。
しかし、この異常識別特性は、データ再構成のような従来の異常検出目的を用いて構築される既存のGAD法では無視される。
本研究では,GAD の非教師付き異常評価尺度 (ローカルノード親和性) を導入し,ノード属性/表現の類似性として定義される親和性を用いて,隣接ノードの関連性が低いノードにより大きな異常スコアを割り当てる。
さらに, 隣接ノードの局所親和性を最大化することにより, 異常測度に適したノード表現を学習するTruncated Affinity Maximization (TAM)を提案する。
元のグラフ構造に最適化することは、非ホモフィリーエッジ(つまり正常ノードと異常ノードを接続するエッジ)によってバイアスされる。
したがって、tamはこのバイアスを緩和するために非ホモフィリーエッジを反復的に削除する切断グラフに最適化される。
学習された表現は、正常なノードに対して異常なノードよりもはるかに強い局所親和性をもたらす。
6つの実世界のGADデータセットに対する大規模な実験結果によると、TAMは7つの競合モデルを大幅に上回り、AUROC/AUPRCの10%以上を達成している。
私たちのコードはhttps: //github.com/mala-lab/TAM-master/で利用可能になります。
関連論文リスト
- Counterfactual Data Augmentation with Denoising Diffusion for Graph Anomaly Detection [32.165578819142695]
グラフ異常検出のための教師なし対実データ拡張法CAGADを提案する。
グラフ固有の拡散モデルを設計し、その近傍の一部(おそらく通常のもの)を異常なものに翻訳する。
翻訳された異常な隣人を集約することで、偽造表現はより識別しやすくなり、さらに検出性能を主張する。
論文 参考訳(メタデータ) (2024-07-02T10:37:54Z) - Generation is better than Modification: Combating High Class Homophily Variance in Graph Anomaly Detection [51.11833609431406]
異なるクラス間のホモフィリー分布の差は、ホモフィリックグラフやヘテロフィリックグラフよりも著しく大きい。
我々は、この現象を定量的に記述した、クラスホモフィリーバリアンスと呼ばれる新しい計量を導入する。
その影響を軽減するために,ホモフィリーエッジ生成グラフニューラルネットワーク(HedGe)と呼ばれる新しいGNNモデルを提案する。
論文 参考訳(メタデータ) (2024-03-15T14:26:53Z) - Generative Semi-supervised Graph Anomaly Detection [42.02691404704764]
この研究は、グラフ内のノードの一部が正規であることが知られている、実用的な半教師付きグラフ異常検出(GAD)シナリオについて考察する。
我々は,通常のノードをよりよく活用するために,半教師付きシナリオのための新しいGAD手法(GGAD)を提案する。
GGADは、異常ノード(非対称な局所親和性と自中心的親密性)に関する2つの重要な先行情報を活用するように設計されている。
論文 参考訳(メタデータ) (2024-02-19T06:55:50Z) - 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) - Normality Learning-based Graph Anomaly Detection via Multi-Scale
Contrastive Learning [61.57383634677747]
グラフ異常検出(GAD)は、機械学習やデータマイニングにおいて注目を集めている。
本稿では,マルチスケールコントラスト学習ネットワーク(NLGAD,略語)による正規性学習に基づくGADフレームワークを提案する。
特に,提案アルゴリズムは,最先端手法と比較して検出性能(最大5.89%のAUCゲイン)を向上させる。
論文 参考訳(メタデータ) (2023-09-12T08:06:04Z) - Cross-Domain Graph Anomaly Detection via Anomaly-aware Contrastive
Alignment [22.769474986808113]
クロスドメイングラフ異常検出(CD-GAD)は、非競合対象グラフにおける異常ノードを検出する問題を記述する。
本稿では,GADのための新しいドメイン適応手法,すなわちAnomaly-aware ContrastivealignedmenT (ACT)を導入する。
ACTは10種類の最先端GAD法で検出性能を大幅に向上させる。
論文 参考訳(メタデータ) (2022-12-02T11:21:48Z) - ResNorm: Tackling Long-tailed Degree Distribution Issue in Graph Neural
Networks via Normalization [80.90206641975375]
本稿では,正規化によるGNNの性能向上に焦点をあてる。
グラフ中のノード次数の長期分布を調べることにより、GNNの新しい正規化法を提案する。
ResNormの$scale$操作は、尾ノードの精度を向上させるために、ノード単位の標準偏差(NStd)分布を再設定する。
論文 参考訳(メタデータ) (2022-06-16T13:49:09Z) - 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) - Graph Neural Networks with Feature and Structure Aware Random Walk [7.143879014059894]
典型的な好適なグラフでは、エッジを指向する可能性があり、エッジをそのまま扱うか、あるいは単純に非指向にするかは、GNNモデルの性能に大きな影響を与える。
そこで我々は,グラフの方向性を適応的に学習するモデルを開発し,ノード間の長距離相関を生かした。
論文 参考訳(メタデータ) (2021-11-19T08:54:21Z) - Towards Deeper Graph Neural Networks with Differentiable Group
Normalization [61.20639338417576]
グラフニューラルネットワーク(GNN)は、隣接するノードを集約することでノードの表現を学習する。
オーバースムーシングは、レイヤーの数が増えるにつれてGNNのパフォーマンスが制限される重要な問題のひとつです。
2つのオーバースムースなメトリクスと新しいテクニック、すなわち微分可能群正規化(DGN)を導入する。
論文 参考訳(メタデータ) (2020-06-12T07:18:02Z)
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。