論文の概要: Normality Learning-based Graph Anomaly Detection via Multi-Scale Contrastive Learning

• arxiv url: http://arxiv.org/abs/2309.06034v2
• Date: Sun, 1 Oct 2023 02:16:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-03 16:55:11.865171
• Title: Normality Learning-based Graph Anomaly Detection via Multi-Scale Contrastive Learning
• Title（参考訳）: マルチスケールコントラスト学習による正規性学習に基づくグラフ異常検出
• Authors: Jingcan Duan, Pei Zhang, Siwei Wang, Jingtao Hu, Hu Jin, Jiaxin Zhang, Haifang Zhou, Xinwang Liu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 61.57383634677747
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph anomaly detection (GAD) has attracted increasing attention in machine learning and data mining. Recent works have mainly focused on how to capture richer information to improve the quality of node embeddings for GAD. Despite their significant advances in detection performance, there is still a relative dearth of research on the properties of the task. GAD aims to discern the anomalies that deviate from most nodes. However, the model is prone to learn the pattern of normal samples which make up the majority of samples. Meanwhile, anomalies can be easily detected when their behaviors differ from normality. Therefore, the performance can be further improved by enhancing the ability to learn the normal pattern. To this end, we propose a normality learning-based GAD framework via multi-scale contrastive learning networks (NLGAD for abbreviation). Specifically, we first initialize the model with the contrastive networks on different scales. To provide sufficient and reliable normal nodes for normality learning, we design an effective hybrid strategy for normality selection. Finally, the model is refined with the only input of reliable normal nodes and learns a more accurate estimate of normality so that anomalous nodes can be more easily distinguished. Eventually, extensive experiments on six benchmark graph datasets demonstrate the effectiveness of our normality learning-based scheme on GAD. Notably, the proposed algorithm improves the detection performance (up to 5.89% AUC gain) compared with the state-of-the-art methods. The source code is released at https://github.com/FelixDJC/NLGAD.
• Abstract（参考訳）: グラフ異常検出(gad)は、機械学習とデータマイニングで注目を集めている。 最近の研究は、gadのノード埋め込みの品質を改善するために、よりリッチな情報をキャプチャする方法に重点を置いている。 検出性能の大幅な進歩にもかかわらず、タスクの特性に関する相対的な研究はいまだに続いている。 GADは、ほとんどのノードから逸脱する異常を識別することを目的としている。 しかし、このモデルは、多くのサンプルを構成する正常なサンプルのパターンを学ぶ傾向があります。 一方、異常は、行動が正常と異なる場合に容易に検出できる。 したがって、通常のパターンを学習する能力を高めることで、さらに性能を向上させることができる。 そこで本稿では,マルチスケールコントラスト学習ネットワーク(NLGAD)を用いた正規性学習に基づくGADフレームワークを提案する。 具体的には、まず異なるスケールのコントラストネットワークでモデルを初期化する。 正規性学習のための十分かつ信頼性の高い正規ノードを提供するため、正規性選択のための効果的なハイブリッド戦略を設計する。 最後に、モデルは信頼できる正規ノードの唯一の入力で洗練され、異常ノードをより容易に区別できるように、より正確な正規性を推定する。 最後に、6つのベンチマークグラフデータセットに関する広範な実験が、gadにおける正規性学習に基づくスキームの有効性を示しています。 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。 ソースコードはhttps://github.com/FelixDJC/NLGADで公開されている。

関連論文リスト

• Imbalanced Graph-Level Anomaly Detection via Counterfactual Augmentation and Feature Learning [1.3756846638796]
  本稿では,非バランスなGLAD手法を提案する。 我々は、このモデルを脳疾患データセットに適用し、我々の研究の能力を証明することができる。
  論文  参考訳（メタデータ） (2024-07-13T13:40:06Z)
• 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)
• ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
  ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。 ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。 各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
  論文  参考訳（メタデータ） (2024-05-27T02:42:33Z)
• 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)
• Invertible Neural Networks for Graph Prediction [22.140275054568985]
  本研究では,ディープ・インバーチブル・ニューラルネットワークを用いた条件生成について述べる。 私たちの目標は,前処理と後処理の予測と生成を同時に行うことにあるので,エンドツーエンドのトレーニングアプローチを採用しています。
  論文  参考訳（メタデータ） (2022-06-02T17:28:33Z)
• 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)
• Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
  本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。 提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。 我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2021-08-01T14:33:17Z)
• Combining Label Propagation and Simple Models Out-performs Graph Neural Networks [52.121819834353865]
  多くの標準的なトランスダクティブノード分類ベンチマークでは、最先端のGNNの性能を超えたり、一致させることができる。 これをC&S(Correct and Smooth)と呼ぶ。 我々のアプローチは、様々なベンチマークで最先端のGNNの性能を上回るか、ほぼ一致している。
  論文  参考訳（メタデータ） (2020-10-27T02:10:52Z)
• 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。