論文の概要: Scoring Anomalous Vertices Through Quantum Walks
- arxiv url: http://arxiv.org/abs/2311.09855v1
- Date: Thu, 16 Nov 2023 12:32:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-17 14:20:08.873228
- Title: Scoring Anomalous Vertices Through Quantum Walks
- Title（参考訳）: 量子ウォークによる異常頂点のスコア付け
- Authors: Andrew Vlasic and Anh Pham
- Abstract要約: 特に、グラフにおける異常検出は、どのデータポイントが他のデータの潜伏特性に当てはまらないかを決定する方法である。
本稿では,各ノードの異常スコアを,グラフを特定の方法で連続的にトラバースすることで計算する最初の量子ベース手法を提案する。
- 参考スコア（独自算出の注目度）: 0.3073195147703195
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the explosion of data over the past decades there has been a respective
explosion of techniques to extract information from the data from labeled data,
quasi-labeled data, and data with no labels known a priori. For data with at
best quasi-labels, graphs are a natural structure to connect points to further
extract information. In particular, anomaly detection in graphs is a method to
determine which data points do not posses the latent characteristics of the
other data. There have been a variety of classical methods to score vertices on
their anomalous level with respect to the graph, spanning straightforward
methods of checking the local topology of a node to intricate neural networks.
Leveraging the structure of the graph, we propose a first ever quantum-based
technique to calculate the anomaly score of each node by continuously
traversing the graph in a particular manner. The proposed algorithm
incorporates well-known characteristics of quantum random walks, and an
adjustment to the algorithm is given to mitigate the increasing depth of the
circuit. This algorithm is rigorously shown to converge to the expected
probability, with respect to the initial condition.
- Abstract（参考訳）: 過去数十年にわたるデータの爆発により、ラベル付きデータ、擬似ラベル付きデータ、ラベルなしのデータから情報を抽出する技術がそれぞれ爆発的に増えている。
最良の準ラベルを持つデータの場合、グラフはポイントを接続して情報を抽出する自然な構造である。
特にグラフにおける異常検出は、どのデータポイントが他のデータの潜伏特性に当てはまらないかを決定する方法である。
グラフに関して異常なレベルの頂点をスコアする様々な古典的な手法があり、ニューラルネットワークを複雑化するノードの局所トポロジをチェックする簡単な方法にまたがっている。
グラフの構造を活用することで,各ノードの異常スコアを連続的にグラフをトラバースすることで計算する,量子ベースの最初の手法を提案する。
提案アルゴリズムは、量子ランダムウォークのよく知られた特性を取り入れ、回路の深さの増大を軽減するためにアルゴリズムの調整を行う。
このアルゴリズムは、初期条件に関して期待確率に収束することが厳密に示されている。
関連論文リスト
- Online Network Inference from Graph-Stationary Signals with Hidden Nodes [31.927912288598467]
本稿では,隠れノードの存在を考慮したオンライングラフ推定手法を提案する。
次に、ストリーミング不完全グラフ信号からのグラフ学習のための凸最適化問題を定式化する。
論文 参考訳（メタデータ） (2024-09-13T12:09:09Z) - Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。
提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文 参考訳（メタデータ） (2024-01-12T17:57:07Z) - 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) - A fast topological approach for predicting anomalies in time-varying
graphs [0.0]
トポロジカルデータ解析(TDA)からの永続化ダイアグラム(PD)は、点間距離が明確に定義されたデータ形状記述法として人気がある。
本稿では,グラフデータから形状情報を抽出する計算効率の良いフレームワークを提案する。
実際のデータアプリケーションでは、暗号取引ネットワークの異常な価格予測において、我々のアプローチは最大で22%上昇する。
論文 参考訳（メタデータ） (2023-05-11T01:54:45Z) - Joint graph learning from Gaussian observations in the presence of
hidden nodes [26.133725549667734]
本稿では,隠れ変数の存在を考慮した共同グラフ学習法を提案する。
従来の考察から得られた構造を利用して凸最適化問題を提案する。
提案したアルゴリズムを異なるベースラインで比較し、合成グラフと実世界のグラフ上での性能を評価する。
論文 参考訳（メタデータ） (2022-12-04T13:03:41Z) - 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) - Sketch-Based Anomaly Detection in Streaming Graphs [89.52200264469364]
動的グラフからのグラフエッジのストリームを前提に、オンライン形式でエッジやサブグラフに異常スコアを割り当てるにはどうすればよいのか?
本手法は,高密度部分グラフ探索を取り入れた最初のストリーミング手法であり,一定時間におけるグラフ異常を検出する。
論文 参考訳（メタデータ） (2021-06-08T16:10:36Z) - Line Graph Neural Networks for Link Prediction [71.00689542259052]
実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。
このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。
本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。
特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
論文 参考訳（メタデータ） (2020-10-20T05:54:31Z) - Structural Temporal Graph Neural Networks for Anomaly Detection in
Dynamic Graphs [54.13919050090926]
本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。
特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。
抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
論文 参考訳（メタデータ） (2020-05-15T09:17:08Z) - Semi-supervised Anomaly Detection on Attributed Graphs [43.69966808278313]
本稿では,少数のインスタンスのラベル情報を用いて属性グラフ上の異常なインスタンスを検出する方法を提案する。
提案手法は,属性を考慮し,属性グラフ上に潜在空間のノードを埋め込む。
実世界の5つの属性グラフデータセットを用いた実験において,提案手法が既存の異常検出法よりも優れた性能を示すことを示す。
論文 参考訳（メタデータ） (2020-02-27T10:06:22Z)
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。