論文の概要: Label-based Graph Augmentation with Metapath for Graph Anomaly Detection

• arxiv url: http://arxiv.org/abs/2308.10918v2
• Date: Fri, 12 Apr 2024 03:10:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-15 19:56:17.168534
• Title: Label-based Graph Augmentation with Metapath for Graph Anomaly Detection
• Title（参考訳）: グラフ異常検出のためのメタパスを用いたラベルベースグラフ拡張
• Authors: Hwan Kim, Junghoon Kim, Byung Suk Lee, Sungsu Lim,
• Abstract要約: 本稿では,2つのエンコーダとデコーダの両方にGCN層を組み込んだMetapath-based Graph Anomaly Detection (MGAD)を提案する。 本稿では,7つの実世界のネットワークを対象とした総合的な実験を通して,MGAD法が最先端技術よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 8.090325400557697
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph anomaly detection has attracted considerable attention from various domain ranging from network security to finance in recent years. Due to the fact that labeling is very costly, existing methods are predominately developed in an unsupervised manner. However, the detected anomalies may be found out uninteresting instances due to the absence of prior knowledge regarding the anomalies looking for. This issue may be solved by using few labeled anomalies as prior knowledge. In real-world scenarios, we can easily obtain few labeled anomalies. Efficiently leveraging labelled anomalies as prior knowledge is crucial for graph anomaly detection; however, this process remains challenging due to the inherently limited number of anomalies available. To address the problem, we propose a novel approach that leverages metapath to embed actual connectivity patterns between anomalous and normal nodes. To further efficiently exploit context information from metapath-based anomaly subgraph, we present a new framework, Metapath-based Graph Anomaly Detection (MGAD), incorporating GCN layers in both the dual-encoders and decoders to efficiently propagate context information between abnormal and normal nodes. Specifically, MGAD employs GNN-based graph autoencoder as its backbone network. Moreover, dual encoders capture the complex interactions and metapath-based context information between labeled and unlabeled nodes both globally and locally. Through a comprehensive set of experiments conducted on seven real-world networks, this paper demonstrates the superiority of the MGAD method compared to state-of-the-art techniques. The code is available at https://github.com/missinghwan/MGAD.
• Abstract（参考訳）: グラフ異常検出は近年,ネットワークセキュリティからファイナンスに至るまで,さまざまな分野から注目されている。 ラベル付けは非常にコストがかかるため、既存の手法は教師なしの方法で優先的に開発されている。 しかし、検出された異常は、探している異常に関する事前の知識がないため、興味のない事例が見つかる可能性がある。 この問題は、ラベル付き異常を事前の知識として使うことで解決できる。 実世界のシナリオでは、ラベル付き異常がほとんどない。 ラベル付き異常を事前の知識として効果的に活用することは、グラフ異常の検出に不可欠であるが、本来利用可能な異常の数が限られているため、このプロセスは依然として困難である。 そこで本研究では,メタパスを利用して異常ノードと正常ノード間の接続パターンを埋め込む手法を提案する。 メタパスに基づく異常部分グラフからコンテキスト情報をより効率的に活用するために,2層エンコーダとデコーダの両方にGCN層を組み込んで,異常ノードと正常ノード間のコンテキスト情報を効率的に伝播する,Metapathベースのグラフ異常検出(MGAD)フレームワークを提案する。 具体的には、MGADはGNNベースのグラフオートエンコーダをバックボーンネットワークとして採用している。 さらに、デュアルエンコーダは、グローバルおよびローカルの両方でラベル付きノードとラベルなしノードの間の複雑な相互作用とメタパスベースのコンテキスト情報をキャプチャする。 本稿では,7つの実世界のネットワークを対象とした総合的な実験を通して,MGAD法が最先端技術よりも優れていることを示す。 コードはhttps://github.com/missinghwan/MGADで公開されている。

関連論文リスト

• 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)
• Multitask Active Learning for Graph Anomaly Detection [48.690169078479116]
  MultItask acTIve Graph Anomaly Detection framework,すなわちMITIGATEを提案する。 ノード分類タスクを結合することにより、MITIGATEは既知の異常を伴わずに配布外ノードを検出する能力を得る。 4つのデータセットに関する実証的研究は、MITIGATEが異常検出のための最先端の手法を著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2024-01-24T03:43:45Z)
• 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)
• BOURNE: Bootstrapped Self-supervised Learning Framework for Unified Graph Anomaly Detection [50.26074811655596]
  自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。 ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。 BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
  論文  参考訳（メタデータ） (2023-07-28T00:44:57Z)
• MetaGAD: Meta Representation Adaptation for Few-Shot Graph Anomaly Detection [31.218962952724624]
  少数ショットグラフ異常検出の重要な問題について検討する。 本稿では,自己指導学習から少数ショット指導学習へ知識を適応させるメタGADを提案する。 具体的には、二段階最適化として問題を定式化し、MetaGADの収束を保証し、検証損失を最小限に抑える。
  論文  参考訳（メタデータ） (2023-05-18T03:04:51Z)
• 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)
• ARISE: Graph Anomaly Detection on Attributed Networks via Substructure Awareness [70.60721571429784]
  サブ構造認識(ARISE)による属性付きネットワーク上の新しいグラフ異常検出フレームワークを提案する。 ARISEは、異常を識別するグラフのサブ構造に焦点を当てている。 実験により、ARISEは最先端の属性付きネットワーク異常検出(ANAD)アルゴリズムと比較して、検出性能が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2022-11-28T12:17:40Z)
• 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)
• One-Class Graph Neural Networks for Anomaly Detection in Attributed Networks [2.591494941326856]
  One Class Graph Neural Network (OCGNN) は、グラフ異常検出のための一級分類フレームワークである。 OCGNNは、グラフニューラルネットワークの強力な表現能力と古典的な一流の目的を組み合わせるように設計されている。
  論文  参考訳（メタデータ） (2020-02-22T01:25:49Z)

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。