論文の概要: Reinforcement Neighborhood Selection for Unsupervised Graph Anomaly
Detection
- arxiv url: http://arxiv.org/abs/2312.05526v1
- Date: Sat, 9 Dec 2023 10:39:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-12 20:26:04.354409
- Title: Reinforcement Neighborhood Selection for Unsupervised Graph Anomaly
Detection
- Title（参考訳）: 教師なしグラフ異常検出のための強化近傍選択
- Authors: Yuanchen Bei, Sheng Zhou, Qiaoyu Tan, Hao Xu, Hao Chen, Zhao Li,
Jiajun Bu
- Abstract要約: 教師なしグラフ異常検出は様々な応用に不可欠である。
近年、グラフニューラルネットワーク(GNN)を用いて、異常検出のための高品質なノード表現を学習している。
教師なしグラフアノマリー検出(RAND)のための強化近傍選択を取り入れた新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 22.322241872706314
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unsupervised graph anomaly detection is crucial for various practical
applications as it aims to identify anomalies in a graph that exhibit rare
patterns deviating significantly from the majority of nodes. Recent
advancements have utilized Graph Neural Networks (GNNs) to learn high-quality
node representations for anomaly detection by aggregating information from
neighborhoods. However, the presence of anomalies may render the observed
neighborhood unreliable and result in misleading information aggregation for
node representation learning. Selecting the proper neighborhood is critical for
graph anomaly detection but also challenging due to the absence of
anomaly-oriented guidance and the interdependence with representation learning.
To address these issues, we utilize the advantages of reinforcement learning in
adaptively learning in complex environments and propose a novel method that
incorporates Reinforcement neighborhood selection for unsupervised graph
ANomaly Detection (RAND). RAND begins by enriching the candidate neighbor pool
of the given central node with multiple types of indirect neighbors. Next, RAND
designs a tailored reinforcement anomaly evaluation module to assess the
reliability and reward of considering the given neighbor. Finally, RAND selects
the most reliable subset of neighbors based on these rewards and introduces an
anomaly-aware aggregator to amplify messages from reliable neighbors while
diminishing messages from unreliable ones. Extensive experiments on both three
synthetic and two real-world datasets demonstrate that RAND outperforms the
state-of-the-art methods.
- Abstract（参考訳）: 非教師付きグラフ異常検出は、ノードの大部分からかなり逸脱する稀なパターンを示すグラフ内の異常を識別することを目的としているため、様々な実用化に欠かせない。
近年、グラフニューラルネットワーク(GNN)を用いて、近隣からの情報を集約して異常検出のための高品質なノード表現を学習している。
しかし、異常の存在は観測された近傍を信頼できないものにし、ノード表現学習のための誤解を招く情報集約をもたらす可能性がある。
グラフの異常検出には適切な近傍の選択が不可欠であるが、異常指向の指導や表現学習との相互依存がないことも課題である。
これらの課題に対処するため,複雑な環境下での適応学習における強化学習の利点を活用し,非教師付きグラフ Anomaly Detection (RAND) のための強化近傍選択を取り入れた新しい手法を提案する。
RANDは、与えられた中央ノードの候補隣のプールを複数の間接的な隣人によって強化することから始まる。
次に、RANDは、与えられた隣人を考慮した信頼性と報酬を評価するために、調整された強化異常評価モジュールを設計する。
最後に、RANDはこれらの報酬に基づいて、最も信頼できる隣人のサブセットを選択し、信頼できない隣人からのメッセージを増幅する異常認識アグリゲータを導入する。
3つの合成データセットと2つの実世界のデータセットに対する大規模な実験は、RANDが最先端の手法より優れていることを示した。
関連論文リスト
- Counterfactual Data Augmentation with Denoising Diffusion for Graph Anomaly Detection [32.165578819142695]
グラフ異常検出のための教師なし対実データ拡張法CAGADを提案する。
グラフ固有の拡散モデルを設計し、その近傍の一部(おそらく通常のもの)を異常なものに翻訳する。
翻訳された異常な隣人を集約することで、偽造表現はより識別しやすくなり、さらに検出性能を主張する。
論文 参考訳（メタデータ） (2024-07-02T10:37:54Z) - Guarding Graph Neural Networks for Unsupervised Graph Anomaly Detection [16.485082741239808]
教師なしグラフ異常検出は、ラベルを使わずにグラフの多数から逸脱する稀なパターンを特定することを目的としている。
近年,グラフニューラルネットワーク(GNN)を用いて効率的なノード表現を学習している。
教師なしグラフ異常検出(G3AD)のためのグラフニューラルネットワークのガードフレームワークを提案する。
論文 参考訳（メタデータ） (2024-04-25T07:09:05Z) - Graph Out-of-Distribution Generalization via Causal Intervention [74.77883794668324]
本稿では,ノードレベルの分散シフトの下で頑健なグラフニューラルネットワーク(GNN)をトレーニングするための,概念的に単純だが原則化されたアプローチを提案する。
本手法は,環境推定器と熟練GNN予測器を協調する因果推論に基づく新たな学習目標を提案する。
本モデルでは,様々な分散シフトによる一般化を効果的に向上し,グラフOOD一般化ベンチマーク上での最先端の精度を最大27.4%向上させることができる。
論文 参考訳（メタデータ） (2024-02-18T07:49:22Z) - Multitask Active Learning for Graph Anomaly Detection [48.690169078479116]
MultItask acTIve Graph Anomaly Detection framework,すなわちMITIGATEを提案する。
ノード分類タスクを結合することにより、MITIGATEは既知の異常を伴わずに配布外ノードを検出する能力を得る。
4つのデータセットに関する実証的研究は、MITIGATEが異常検出のための最先端の手法を著しく上回っていることを示している。
論文 参考訳（メタデータ） (2024-01-24T03:43:45Z) - Few-shot Message-Enhanced Contrastive Learning for Graph Anomaly
Detection [15.757864894708364]
グラフ異常検出は、多数派から大きく逸脱するグラフデータの例外的なインスタンスを特定する上で重要な役割を果たす。
我々はFMGADと呼ばれる新しい数ショットグラフ異常検出モデルを提案する。
FMGADは, 人工的に注入された異常やドメイン・有機異常によらず, 他の最先端手法よりも優れた性能が得られることを示す。
論文 参考訳（メタデータ） (2023-11-17T07:49:20Z) - BOURNE: Bootstrapped Self-supervised Learning Framework for Unified
Graph Anomaly Detection [50.26074811655596]
自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。
ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。
BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
論文 参考訳（メタデータ） (2023-07-28T00:44:57Z) - GAD-NR: Graph Anomaly Detection via Neighborhood Reconstruction [36.56631787651942]
グラフオートエンコーダ(GAE)はグラフデータをノード表現にエンコードし、これらの表現に基づいてグラフの再構成品質を評価することで異常を識別する。
グラフ異常検出のための近傍再構成を組み込んだ新しいGAEであるGAD-NRを提案する。
6つの実世界のデータセットで実施された大規模な実験は、GAD-NRの有効性を検証し、最先端の競合相手よりも顕著な改善(AUCでは最大30%)を示す。
論文 参考訳（メタデータ） (2023-06-02T23:23:34Z) - Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。
GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文 参考訳（メタデータ） (2023-02-06T16:38:43Z) - From Unsupervised to Few-shot Graph Anomaly Detection: A Multi-scale
Contrastive Learning Approach [49.439021563395976]
グラフデータからの異常検出は、ソーシャルネットワーク、金融、eコマースなど、多くのアプリケーションにおいて重要なデータマイニングタスクである。
マルチスケールcONtrastive lEarning(略してANEMONE)を用いた新しいフレームワーク, graph Anomaly dEtection フレームワークを提案する。
グラフニューラルネットワークをバックボーンとして、複数のグラフスケール(ビュー)から情報をエンコードすることで、グラフ内のノードのより良い表現を学習する。
論文 参考訳（メタデータ） (2022-02-11T09:45:11Z) - Handling Distribution Shifts on Graphs: An Invariance Perspective [77.14319095965058]
グラフ上のノードレベルの予測にOOD問題を定式化する。
そこで我々は,探索から抽出までのリスク最小化という新たなドメイン不変学習手法を開発した。
理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2022-02-05T02:31:01Z)
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。