論文の概要: Self-Discriminative Modeling for Anomalous Graph Detection

• arxiv url: http://arxiv.org/abs/2310.06261v1
• Date: Tue, 10 Oct 2023 02:08:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-11 20:55:22.476172
• Title: Self-Discriminative Modeling for Anomalous Graph Detection
• Title（参考訳）: 異常グラフ検出のための自己識別モデル
• Authors: Jinyu Cai, Yunhe Zhang, Jicong Fan
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 27.595520991245014
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper studies the problem of detecting anomalous graphs using a machine learning model trained on only normal graphs, which has many applications in molecule, biology, and social network data analysis. We present a self-discriminative modeling framework for anomalous graph detection. The key idea, mathematically and numerically illustrated, is to learn a discriminator (classifier) from the given normal graphs together with pseudo-anomalous graphs generated by a model jointly trained, where we never use any true anomalous graphs and we hope that the generated pseudo-anomalous graphs interpolate between normal ones and (real) anomalous ones. Under the framework, we provide three algorithms with different computational efficiencies and stabilities for anomalous graph detection. The three algorithms are compared with several state-of-the-art graph-level anomaly detection baselines on nine popular graph datasets (four with small size and five with moderate size) and show significant improvement in terms of AUC. The success of our algorithms stems from the integration of the discriminative classifier and the well-posed pseudo-anomalous graphs, which provide new insights for anomaly detection. Moreover, we investigate our algorithms for large-scale imbalanced graph datasets. Surprisingly, our algorithms, though fully unsupervised, are able to significantly outperform supervised learning algorithms of anomalous graph detection. The corresponding reason is also analyzed.
• Abstract（参考訳）: 本稿では, 分子, 生物学, 社会ネットワークデータ解析に多くの応用がある正規グラフのみを学習した機械学習モデルを用いて, 異常グラフ検出の問題点について検討する。 本稿では,異常グラフ検出のための自己識別モデリングフレームワークを提案する。 数学的に数値的に説明される鍵となる考え方は、与えられた正規グラフから識別器(分類器)を、協調的に訓練されたモデルによって生成される擬非正則グラフと共に学習することであり、そこでは真の異常グラフは一切使わない。 本フレームワークでは,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案する。 3つのアルゴリズムは、9つの一般的なグラフデータセット(サイズが4つ、適度なサイズが5つ)における最先端のグラフレベルの異常検出ベースラインと比較され、aucの観点で大幅に改善されている。 アルゴリズムの成功は、識別的分類器とよく表される擬似非正則グラフの統合に起因し、異常検出の新しい洞察を与える。 さらに,大規模不均衡グラフデータセットのアルゴリズムについて検討した。 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。 対応する理由も分析される。

関連論文リスト

• 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)
• 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)
• 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)
• Synthetic Graph Generation to Benchmark Graph Learning [7.914804101579097]
  グラフ学習アルゴリズムは多くのグラフ解析タスクで最先端のパフォーマンスを達成した。 1つの理由は、グラフ学習アルゴリズムのパフォーマンスをベンチマークするために実際に使用されるデータセットが極めて少ないためである。 本稿では,合成グラフの生成と,制御シナリオにおけるグラフ学習アルゴリズムの挙動について検討する。
  論文  参考訳（メタデータ） (2022-04-04T10:48:32Z)
• 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)
• 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)

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。