論文の概要: Multi-representations Space Separation based Graph-level Anomaly-aware
Detection
- arxiv url: http://arxiv.org/abs/2307.12994v1
- Date: Sat, 22 Jul 2023 01:57:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-26 19:44:28.242297
- Title: Multi-representations Space Separation based Graph-level Anomaly-aware
Detection
- Title（参考訳）: 多表現空間分離に基づくグラフレベルの異常検出
- Authors: Fu Lin, Haonan Gong, Mingkang Li, Zitong Wang, Yue Zhang, Xuexiong Luo
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 8.39109029417354
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph structure patterns are widely used to model different area data
recently. How to detect anomalous graph information on these graph data has
become a popular research problem. The objective of this research is centered
on the particular issue that how to detect abnormal graphs within a graph set.
The previous works have observed that abnormal graphs mainly show node-level
and graph-level anomalies, but these methods equally treat two anomaly forms
above in the evaluation of abnormal graphs, which is contrary to the fact that
different types of abnormal graph data have different degrees in terms of
node-level and graph-level anomalies. Furthermore, abnormal graphs that have
subtle differences from normal graphs are easily escaped detection by the
existing methods. Thus, we propose a multi-representations space separation
based graph-level anomaly-aware detection framework in this paper. To consider
the different importance of node-level and graph-level anomalies, we design an
anomaly-aware module to learn the specific weight between them in the abnormal
graph evaluation process. In addition, we learn strictly separate normal and
abnormal graph representation spaces by four types of weighted graph
representations against each other including anchor normal graphs, anchor
abnormal graphs, training normal graphs, and training abnormal graphs. Based on
the distance error between the graph representations of the test graph and both
normal and abnormal graph representation spaces, we can accurately determine
whether the test graph is anomalous. Our approach has been extensively
evaluated against baseline methods using ten public graph datasets, and the
results demonstrate its effectiveness.
- Abstract（参考訳）: グラフ構造パターンは最近、異なる領域データをモデル化するために広く使われている。
これらのグラフデータに異常なグラフ情報を検出する方法は、一般的な研究課題となっている。
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。
従来の研究では、異常グラフはノードレベルとグラフレベルの異常を主に表しているが、これらの手法は、異常グラフの評価において上記の2つの異常形式を同等に扱い、これは、異常グラフデータの異なる種類の種類がノードレベルとグラフレベルの異常の点で異なるという事実とは対照的である。
さらに,通常のグラフと微妙に異なる異常グラフは,既存の手法で容易に検出できる。
そこで本稿では,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。
ノードレベルの異常とグラフレベルの異常の異なる重要性を考慮するため,異常グラフ評価プロセスにおいて,ノード間の比重を学習するための異常認識モジュールを設計する。
さらに,アンカー正規グラフ,アンカー異常グラフ,トレーニング正規グラフ,トレーニング異常グラフを含む4種類の重み付きグラフ表現によって,厳密に分離された正規グラフ表現空間と異常グラフ表現空間を学習する。
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。
提案手法は10のグラフデータセットを用いたベースライン手法に対して広範囲に評価され,その効果が実証された。
関連論文リスト
- FANFOLD: Graph Normalizing Flows-driven Asymmetric Network for Unsupervised Graph-Level Anomaly Detection [18.758250338590297]
非教師付きグラフレベルの異常検出(UGAD)は、広く応用されているため、関心が高まりつつある。
教師なしグラフレベル異常検出(FANFOLD)のためのグラフ正規化フロー駆動型非対称ネットワークを提案する。
論文 参考訳（メタデータ） (2024-06-29T09:49:16Z) - 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) - Self-Discriminative Modeling for Anomalous Graph Detection [27.595520991245014]
本稿では,異常グラフ検出のための自己識別型モデリングフレームワークを提案する。
異常グラフ検出のための計算効率と安定性の異なる3つのアルゴリズムを提供する。
驚くべきことに、我々のアルゴリズムは教師なしだが、異常グラフ検出の教師付き学習アルゴリズムを著しく上回っている。
論文 参考訳（メタデータ） (2023-10-10T02:08:09Z) - 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) - Graph-level Anomaly Detection via Hierarchical Memory Networks [19.217808857527743]
階層記憶ネットワーク (Hierarchical Memory Networks, HimNet) と呼ばれる新しい手法を提案する。
HimNetは、グラフオートエンコーダネットワークアーキテクチャを通じて、階層型メモリモジュール -- ノードとグラフメモリモジュール -- を学習する。
2つのモジュールは、局所的および大域的非正則グラフの両方を検出するように共同最適化されている。
論文 参考訳（メタデータ） (2023-07-03T04:57:53Z) - DAGAD: Data Augmentation for Graph Anomaly Detection [57.92471847260541]
本稿では、属性グラフのための新しいデータ拡張ベースのグラフ異常検出(DAGAD)フレームワークを考案する。
3つのデータセットに関する一連の実験は、DAGADが様々な主に使用されるメトリクスに関して、10の最先端のベースライン検出器より優れていることを証明している。
論文 参考訳（メタデータ） (2022-10-18T11:28:21Z) - Graph Anomaly Detection with Graph Neural Networks: Current Status and
Challenges [9.076649460696402]
グラフニューラルネットワーク(GNN)は広く研究され、困難な機械学習タスクを成功させた。
本調査は,GNNに基づくグラフ異常検出手法の総合的なレビューとしては初めてである。
論文 参考訳（メタデータ） (2022-09-29T16:47:57Z) - 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) - Line Graph Neural Networks for Link Prediction [71.00689542259052]
実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。
このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。
本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。
特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
論文 参考訳（メタデータ） (2020-10-20T05:54:31Z)
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。