論文の概要: Open-Set Graph Anomaly Detection via Normal Structure Regularisation
- arxiv url: http://arxiv.org/abs/2311.06835v1
- Date: Sun, 12 Nov 2023 13:25:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-14 16:41:56.216036
- Title: Open-Set Graph Anomaly Detection via Normal Structure Regularisation
- Title(参考訳): 正規構造正規化による開集合グラフ異常検出
- Authors: Qizhou Wang, Guansong Pang, Mahsa Salehi, Wray Buntine, Christopher
Leckie
- Abstract要約: Open-set Graph Anomaly Detection (GAD)は、少数のラベル付きトレーニングノードと異常ノードを使用して異常ノードを検出することを目的としている。
現在の手法では、目に見えない異常を検知する弱い一般化能力をもたらすため、目に見えない異常に適合することを過度に強調する傾向にある。
ラベル付きノードに埋め込まれたリッチな正規グラフ構造を利用するために,新しいオープンセットGAD手法,すなわち正規構造正規化(NSReg)を提案する。
- 参考スコア(独自算出の注目度): 33.713867856237364
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper considers an under-explored Graph Anomaly Detection (GAD) task,
namely open-set GAD, which aims to detect anomalous nodes using a small number
of labelled training normal and anomaly nodes (known as seen anomalies) that
cannot illustrate all possible inference-time abnormalities. The task has
attracted growing attention due to the availability of anomaly prior knowledge
from the label information that can help to substantially reduce detection
errors. However, current methods tend to over-emphasise fitting the seen
anomalies, leading to a weak generalisation ability to detect unseen anomalies,
i.e., those that are not illustrated by the labelled anomaly nodes. Further,
they were introduced to handle Euclidean data, failing to effectively capture
important non-Euclidean features for GAD. In this work, we propose a novel
open-set GAD approach, namely normal structure regularisation (NSReg), to
leverage the rich normal graph structure embedded in the labelled nodes to
tackle the aforementioned two issues. In particular, NSReg trains an
anomaly-discriminative supervised graph anomaly detector, with a plug-and-play
regularisation term to enforce compact, semantically-rich representations of
normal nodes. To this end, the regularisation is designed to differentiate
various types of normal nodes, including labelled normal nodes that are
connected in their local neighbourhood, and those that are not connected. By
doing so, it helps incorporate strong normality into the supervised anomaly
detector learning, mitigating their overfitting to the seen anomalies.
Extensive empirical results on real-world datasets demonstrate the superiority
of our proposed NSReg for open-set GAD.
- Abstract(参考訳): 本稿では,少数のラベル付きトレーニング正規ノードと,可能なすべての異常を説明できない異常ノード(異常として見られる)を用いて異常ノードを検出することを目的とした,未探索のグラフ異常検出(GAD)タスク,すなわちオープンセットGADについて考察する。
このタスクは、検出エラーを実質的に低減できるラベル情報からの異常事前知識が利用可能であることから、注目を集めている。
しかし、現在の手法は見かけの異常を過度に強調する傾向があるため、見当たらない異常、すなわちラベル付き異常ノードによって示されない異常を検出するための弱い一般化能力をもたらす。
さらに、これらはユークリッドデータを扱うために導入され、GADの重要な非ユークリッド特徴を効果的に捉えられなかった。
本研究では,ラベル付きノードに埋め込まれたリッチな正規グラフ構造を利用して,上記の2つの問題に対処する,新しいオープンセットGAD手法,すなわち正規構造正規化(NSReg)を提案する。
特にnsregは、正規ノードのコンパクトで意味的にリッチな表現を強制するためにプラグ・アンド・プレイ正規化項を用いて、異常識別教師付きグラフ異常検出器を訓練する。
この目的のために、正規化は、ローカルに接続されたラベル付き正常ノードや接続されていないノードを含む、様々な種類の正常ノードを区別するように設計されている。
これにより、監督された異常検出学習に強い正規性を組み込むことができ、その過度な異常を軽減できる。
実世界のデータセットに関する広範な実験結果から,提案するnsregのオープンセットgadに対する優位性が示された。
関連論文リスト
- 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) - Anomaly Heterogeneity Learning for Open-set Supervised Anomaly Detection [26.08881235151695]
オープンセット型教師付き異常検出(OSAD)は、トレーニング中に見られたいくつかの異常クラスのサンプルを利用して、見えない異常を検出することを目的としている。
異種不均一分布の多様集合をシミュレートする新しいアプローチ,すなわちAHL(Anomaly Heterogeneity Learning)を導入する。
AHL can 1) は, 目に見える異常や見えない異常の検出において, 最先端のOSADモデルを大幅に強化し, 2) 新たな領域の異常を効果的に一般化することを示した。
論文 参考訳(メタデータ) (2023-10-19T14:47:11Z) - AGAD: Adversarial Generative Anomaly Detection [12.68966318231776]
異常検出は,異常の多様性と大規模異常データ取得の困難さにより異常の欠如に悩まされた。
本稿では,自己コントラストに基づく異常検出パラダイムであるAdversarial Generative Anomaly Detection (AGAD)を提案する。
本手法は,教師付きおよび半教師付き両方の異常検出シナリオに対して擬似異常データを生成する。
論文 参考訳(メタデータ) (2023-04-09T10:40:02Z) - Prototypical Residual Networks for Anomaly Detection and Localization [80.5730594002466]
本稿では,PRN(Prototypeal Residual Network)というフレームワークを提案する。
PRNは、異常領域の分割マップを正確に再構築するために、異常領域と正常パターンの間の様々なスケールとサイズの特徴的残差を学習する。
異常を拡大・多様化するために,見かけの相違と外観の相違を考慮に入れた様々な異常発生戦略を提示する。
論文 参考訳(メタデータ) (2022-12-05T05:03:46Z) - 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) - Catching Both Gray and Black Swans: Open-set Supervised Anomaly
Detection [90.32910087103744]
ラベル付き異常な例は、多くの現実世界のアプリケーションでよく見られる。
これらの異常例は、アプリケーション固有の異常について貴重な知識を提供する。
トレーニング中に見られる異常は、可能なあらゆる種類の異常を説明できないことが多い。
本稿では,オープンセット型教師付き異常検出に取り組む。
論文 参考訳(メタデータ) (2022-03-28T05:21:37Z) - 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) - Deep Weakly-supervised Anomaly Detection [118.55172352231381]
ペアワイズ関係予測ネットワーク(PReNet)は、ペアワイズ関係の特徴と異常スコアを学習する。
PReNetは、学習したペアの異常パターンに適合する見知らぬ異常を検出できる。
12の実世界のデータセットに対する実証的な結果から、PReNetは目に見えない異常や異常を検知する9つの競合する手法を著しく上回っている。
論文 参考訳(メタデータ) (2019-10-30T00:40:25Z)
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。