論文の概要: Discriminative Graph-level Anomaly Detection via Dual-students-teacher Model

• arxiv url: http://arxiv.org/abs/2308.01947v1
• Date: Thu, 3 Aug 2023 08:29:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-07 15:03:48.414683
• Title: Discriminative Graph-level Anomaly Detection via Dual-students-teacher Model
• Title（参考訳）: Dual-Students-Teacherモデルによる識別グラフレベルの異常検出
• Authors: Fu Lin, Xuexiong Luo, Jia Wu, Jian Yang, Shan Xue, Zitong Wang, Haonan Gong
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 20.18156458266286
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Different from the current node-level anomaly detection task, the goal of graph-level anomaly detection is to find abnormal graphs that significantly differ from others in a graph set. Due to the scarcity of research on the work of graph-level anomaly detection, the detailed description of graph-level anomaly is insufficient. Furthermore, existing works focus on capturing anomalous graph information to learn better graph representations, but they ignore the importance of an effective anomaly score function for evaluating abnormal graphs. Thus, in this work, we first define anomalous graph information including node and graph property anomalies in a graph set and adopt node-level and graph-level information differences to identify them, respectively. Then, we introduce a discriminative graph-level anomaly detection framework with dual-students-teacher model, where the teacher model with a heuristic loss are trained to make graph representations more divergent. Then, two competing student models trained by normal and abnormal graphs respectively fit graph representations of the teacher model in terms of node-level and graph-level representation perspectives. Finally, we combine representation errors between two student models to discriminatively distinguish anomalous graphs. Extensive experiment analysis demonstrates that our method is effective for the graph-level anomaly detection task on graph datasets in the real world.
• Abstract（参考訳）: 現在のノードレベルの異常検出タスクとは異なり、グラフレベルの異常検出の目標は、グラフセット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。 グラフレベルの異常検出の研究が不足しているため、グラフレベルの異常の詳細な記述は不十分である。 さらに, 従来の研究は, グラフの表現性を向上させるために異常なグラフ情報を取得することに重点を置いている。 そこで本研究では,まず,グラフ集合内のノード特性異常を含む異常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それぞれ適用して識別する。 次に,二元学習者モデルを用いた識別グラフレベルの異常検出フレームワークを導入し,ヒューリスティックな損失を持つ教師モデルを訓練して,グラフ表現をより分散させる。 そして、正規グラフと異常グラフで学習した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。 最後に、2つの学生モデル間の表現誤差を組み合わせて、異常グラフを識別する。 本手法は実世界のグラフデータセットにおけるグラフレベルの異常検出タスクに有効であることを示す。

関連論文リスト

• 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)
• Multi-representations Space Separation based Graph-level Anomaly-aware Detection [8.39109029417354]
  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。
  論文  参考訳（メタデータ） (2023-07-22T01:57:08Z)
• 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)
• Graph Self-supervised Learning with Accurate Discrepancy Learning [64.69095775258164]
  離散性に基づく自己監督型LeArning(D-SLA)と呼ばれる原図と摂動グラフの正確な相違を学習することを目的としたフレームワークを提案する。 本稿では,分子特性予測,タンパク質機能予測,リンク予測タスクなど,グラフ関連下流タスクにおける本手法の有効性を検証する。
  論文  参考訳（メタデータ） (2022-02-07T08:04:59Z)
• 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)
• 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)
• Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
  グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。 標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。 総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2020-07-08T19:48:19Z)

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。