論文の概要: Open-Set Graph Anomaly Detection via Normal Structure Regularisation
- arxiv url: http://arxiv.org/abs/2311.06835v2
- Date: Mon, 19 Feb 2024 15:12:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-21 04:57:14.870299
- 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, 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。
本稿では,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): 35.90827651707661
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper considers an important 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 availability
of that labelled data provides crucial prior knowledge about abnormalities for
GAD models, enabling substantially reduced 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 achieve generalised
detection ability to unseen anomalies, while maintaining its effectiveness on
detecting seen anomalies. The key idea in NSReg is to introduce a
regularisation term that enforces the learning of compact, semantically-rich
representations of normal nodes based on their structural relations to other
nodes. When being optimised with supervised anomaly detection losses, the
regularisation term helps incorporate strong normality into the modelling,
empowering the joint learning of both seen abnormality and normality of the
nodes, and thus, it effectively avoids the over emphasis on solely fitting the
seen anomalies during training. Extensive empirical results on six 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(いわゆる異常)を用いて異常ノードを検出することを目的とした,オープンセットGAD(Graph Anomaly Detection)タスクについて考察する。
ラベル付きデータの可用性は、GADモデルの異常に関する重要な事前知識を提供し、検出エラーを大幅に削減する。
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,新しいオープンセットGAD手法,すなわち正規構造規則化(NSReg)を提案する。
NSRegのキーとなる考え方は、通常のノードの構造的関係に基づいて、コンパクトで意味豊かな正規ノード表現の学習を強制する正規化項を導入することである。
教師付き異常検出損失で最適化された場合、正規化項は強い正規性をモデリングに組み込むのに役立ち、ノードの異常と正常性の双方のジョイントラーニングを強化することにより、トレーニング中に見られた異常を単に適合させることに重点を置くことを効果的に回避する。
6つの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
- 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) - Anomaly Heterogeneity Learning for Open-set Supervised Anomaly Detection [28.50015328653171]
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。
論文 参考訳(メタデータ) (2023-10-19T14:47:11Z) - 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) - 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) - Anomaly Detection by Leveraging Incomplete Anomalous Knowledge with
Anomaly-Aware Bidirectional GANs [15.399369134281775]
異常検出の目標は、正常なサンプルから異常なサンプルを特定することである。
本稿では,少数の異常がトレーニング段階で利用可能であることが想定されているが,これらは複数の異常タイプからのみ収集されていると推定されている。
本稿では,通常のサンプルをモデル化するだけでなく,収集した異常に対して低密度値の割り当てを保証できる確率分布の学習を提案する。
論文 参考訳(メタデータ) (2022-04-28T08:12:49Z) - 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) - Toward Deep Supervised Anomaly Detection: Reinforcement Learning from
Partially Labeled Anomaly Data [150.9270911031327]
本稿では,一部のラベル付き異常事例と大規模ラベルなしデータセットを用いた異常検出の問題点について考察する。
既存の関連手法は、通常、一連の異常にまたがらない限られた異常例にのみ適合するか、ラベルのないデータから教師なしの学習を進めるかのいずれかである。
そこで本研究では,ラベル付きおよびラベルなし両方の異常の検出をエンドツーエンドに最適化する,深層強化学習に基づくアプローチを提案する。
論文 参考訳(メタデータ) (2020-09-15T03:05:39Z) - 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。