論文の概要: Class Label-aware Graph Anomaly Detection
- arxiv url: http://arxiv.org/abs/2308.11669v1
- Date: Tue, 22 Aug 2023 09:46:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-24 17:29:08.467154
- Title: Class Label-aware Graph Anomaly Detection
- Title（参考訳）: クラスラベル認識グラフ異常検出
- Authors: Junghoon Kim, Yeonjun In, Kanghoon Yoon, Junmo Lee, Chanyoung Park
- Abstract要約: 教師なしGADのためのクラスラベルの有用性について検討する。
クラスラベル対応グラフ異常検出フレームワーク(CLAD)を提案する。
10個のデータセットの実験は、既存の教師なしGAD法と比較してCLADの優れた性能を示している。
- 参考スコア（独自算出の注目度）: 23.977594208998237
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unsupervised GAD methods assume the lack of anomaly labels, i.e., whether a
node is anomalous or not. One common observation we made from previous
unsupervised methods is that they not only assume the absence of such anomaly
labels, but also the absence of class labels (the class a node belongs to used
in a general node classification task). In this work, we study the utility of
class labels for unsupervised GAD; in particular, how they enhance the
detection of structural anomalies. To this end, we propose a Class Label-aware
Graph Anomaly Detection framework (CLAD) that utilizes a limited amount of
labeled nodes to enhance the performance of unsupervised GAD. Extensive
experiments on ten datasets demonstrate the superior performance of CLAD in
comparison to existing unsupervised GAD methods, even in the absence of
ground-truth class label information. The source code for CLAD is available at
\url{https://github.com/jhkim611/CLAD}.
- Abstract（参考訳）: 教師なしGAD法は異常ラベルの欠如、すなわちノードが異常であるか否かを仮定する。
従来の教師なしメソッドからの一般的な観察は、そのような異常ラベルがないだけでなく、クラスラベルがないこと(ノードが一般的なノード分類タスクで使われるクラスに属する)を想定していることです。
本研究では,教師なしGADのためのクラスラベルの有用性,特に構造異常の検出方法について検討する。
そこで本研究では,少数のラベル付きノードを用いて教師なしGADの性能を向上させるクラスラベル対応グラフ異常検出フレームワーク(CLAD)を提案する。
10個のデータセットに対する大規模な実験は、既存の教師なしGAD法と比較してCLADの優れた性能を示す。
CLADのソースコードは \url{https://github.com/jhkim611/CLAD} で入手できる。
関連論文リスト
- Semi-Supervised Hierarchical Multi-Label Classifier Based on Local Information [1.6574413179773761]
局所情報に基づく半教師付き階層型多言語分類器(SSHMC-BLI)
SSHMC-BLIは、ラベル付き隣人のラベルのパスからラベルなしのインスタンスごとに擬似ラベルを構築する。
機能ゲノミクスによる12の挑戦的なデータセットの実験では、ラベル付きデータとラベル付きデータを使用することで、ラベル付きデータのみに基づいてトレーニングされた教師付き階層型分類器のパフォーマンスを向上させることができる。
論文 参考訳（メタデータ） (2024-04-30T20:16:40Z) - Active Generalized Category Discovery [60.69060965936214]
GCD(Generalized Category Discovery)は、新しいクラスと古いクラスの未ラベルのサンプルをクラスタ化するための取り組みである。
我々は,能動的学習の精神を取り入れて,能動的一般化カテゴリー発見(AGCD)という新たな設定を提案する。
提案手法は, 汎用および微粒なデータセット上での最先端性能を実現する。
論文 参考訳（メタデータ） (2024-03-07T07:12:24Z) - Credible Teacher for Semi-Supervised Object Detection in Open Scene [106.25850299007674]
Open Scene Semi-Supervised Object Detection (O-SSOD)では、ラベル付きデータはラベル付きデータで観測されていない未知のオブジェクトを含む可能性がある。
より不確実性が、偽ラベルのローカライズと分類精度の低下につながるため、主に自己学習に依存する現在の手法には有害である。
我々は,不確実な擬似ラベルがモデルに誤解をもたらすのを防ぐための,エンドツーエンドのフレームワークであるCredible Teacherを提案する。
論文 参考訳（メタデータ） (2024-01-01T08:19:21Z) - No Representation Rules Them All in Category Discovery [115.53747187400626]
一般化カテゴリー発見(GCD)の課題に取り組む
ラベル付きおよびアンラベル画像のデータセットが与えられた場合、そのタスクはすべての画像をアンラベル画像のサブセットにまとめることである。
カテゴリー発見のための合成データセット「Clevr-4」を提案する。
論文 参考訳（メタデータ） (2023-11-28T18:59:46Z) - Towards Semi-supervised Universal Graph Classification [6.339931887475018]
半教師付き普遍グラフ分類の問題について検討する。
ラベルの不足と潜在的なクラスシフトのため、この問題は難しい。
サブグラフの観点からラベル付けされていないデータを最大限に活用する新しいグラフニューラルネットワークフレームワークUGNNを提案する。
論文 参考訳（メタデータ） (2023-05-31T06:58:34Z) - Plug-and-Play Pseudo Label Correction Network for Unsupervised Person
Re-identification [36.3733132520186]
グラフベースの擬似ラベル補正ネットワーク(GLC)を提案する。
GLC は k 近傍グラフ上のサンプル間の関係制約を用いて初期雑音ラベルを補正する。
本手法は,様々なクラスタリング手法と互換性があり,最新技術の性能を継続的に向上させる。
論文 参考訳（メタデータ） (2022-06-14T05:59:37Z) - Rethinking Pseudo Labels for Semi-Supervised Object Detection [84.697097472401]
物体検出に適した確実な擬似ラベルを導入する。
我々は,クラス不均衡問題を緩和するために,各カテゴリの擬似ラベルと再重み付き損失関数を生成するために使用する閾値を動的に調整する。
提案手法では,COCOのラベル付きデータのみを用いて,教師付きベースラインを最大10%改善する。
論文 参考訳（メタデータ） (2021-06-01T01:32:03Z) - Active Learning for Node Classification: The Additional Learning Ability
from Unlabelled Nodes [33.97571297149204]
ラベル付け予算が限られているため、active learningはラベル付けするノードを慎重に選択することで、パフォーマンスの向上を目指している。
本研究は,ノード分類のための既存のアクティブラーニング手法が,単純な手法でかなり優れていることを示す。
ノード分類のための新しい潜在空間クラスタリングに基づくアクティブラーニング手法(LSCALE)を提案する。
論文 参考訳（メタデータ） (2020-12-13T13:59:48Z) - Unsupervised Object Detection with LiDAR Clues [70.73881791310495]
本稿では,LiDARの手がかりを用いた非教師対象検出のための最初の実用的手法を提案する。
提案手法では,まず3次元点雲に基づく候補オブジェクトセグメントを生成する。
そして、セグメントラベルを割り当て、セグメントラベルネットワークを訓練する反復的なセグメントラベル処理を行う。
ラベル付けプロセスは、長い尾とオープンエンドの分布の問題を軽減するために慎重に設計されている。
論文 参考訳（メタデータ） (2020-11-25T18:59:54Z) - No Subclass Left Behind: Fine-Grained Robustness in Coarse-Grained
Classification Problems [20.253644336965042]
実世界の分類タスクでは、各クラスは、しばしば複数のよりきめ細かい「サブクラス」を含む。
サブクラスラベルは頻繁に利用できないため、粗粒度のクラスラベルのみを使用してトレーニングされたモデルは、異なるサブクラス間で高い可変性能を示すことが多い。
本稿では,サブクラスラベルが不明な場合でも,隠れ層化を計測・緩和するGEORGEを提案する。
論文 参考訳（メタデータ） (2020-11-25T18:50:32Z) - Structured Prediction with Partial Labelling through the Infimum Loss [85.4940853372503]
弱い監督の目標は、収集コストの安いラベル付け形式のみを使用してモデルを学習できるようにすることである。
これは、各データポイントに対して、実際のものを含むラベルのセットとして、監督がキャストされる不完全なアノテーションの一種です。
本稿では、構造化された予測と、部分的なラベリングを扱うための無限損失の概念に基づく統一的なフレームワークを提供する。
論文 参考訳（メタデータ） (2020-03-02T13:59:41Z)
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。