論文の概要: Root Cause Explanation of Outliers under Noisy Mechanisms

• arxiv url: http://arxiv.org/abs/2312.11818v1
• Date: Tue, 19 Dec 2023 03:24:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-20 17:09:56.467508
• Title: Root Cause Explanation of Outliers under Noisy Mechanisms
• Title（参考訳）: 騒音下での異常値の根本原因説明
• Authors: Phuoc Nguyen, Truyen Tran, Sunil Gupta, Thin Nguyen, Svetha Venkatesh
• Abstract要約: 因果過程は、しばしばグラフとしてモデル化され、エンティティはノードであり、パス/インターコネクションはエッジである。 既存の作業は、生成プロセスにおけるノードの寄与のみを考慮している。 根本原因を特定する際,各メカニズムの個々のエッジとノードについて検討する。
• 参考スコア（独自算出の注目度）: 50.59446568076628
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Identifying root causes of anomalies in causal processes is vital across disciplines. Once identified, one can isolate the root causes and implement necessary measures to restore the normal operation. Causal processes are often modelled as graphs with entities being nodes and their paths/interconnections as edge. Existing work only consider the contribution of nodes in the generative process, thus can not attribute the outlier score to the edges of the mechanism if the anomaly occurs in the connections. In this paper, we consider both individual edge and node of each mechanism when identifying the root causes. We introduce a noisy functional causal model to account for this purpose. Then, we employ Bayesian learning and inference methods to infer the noises of the nodes and edges. We then represent the functional form of a target outlier leaf as a function of the node and edge noises. Finally, we propose an efficient gradient-based attribution method to compute the anomaly attribution scores which scales linearly with the number of nodes and edges. Experiments on simulated datasets and two real-world scenario datasets show better anomaly attribution performance of the proposed method compared to the baselines. Our method scales to larger graphs with more nodes and edges.
• Abstract（参考訳）: 因果過程における異常の根本原因の特定は分野によって重要である。 一度特定すれば、根本原因を分離し、正常な操作を回復するために必要な措置を実行することができる。 因果プロセスは、しばしば、エンティティがノードであり、パス/相互接続がエッジであるグラフとしてモデル化される。 既存の作業では生成過程におけるノードの寄与しか考慮していないため、接続に異常が発生した場合、アウトリアースコアをメカニズムのエッジに分類することはできない。 本稿では,根本原因を特定する際,各メカニズムの個々のエッジとノードについて考察する。 この目的を考慮に入れたノイズ機能因果モデルを提案する。 次に,ノードとエッジの雑音を推定するためにベイズ学習法と推論法を用いる。 次に,ノードとエッジノイズの関数として目標外れリーフの機能形式を表現する。 最後に,ノード数やエッジ数と線形にスケールする異常帰属スコアを計算するための,効率的な勾配に基づく帰属法を提案する。 シミュレーションデータセットと2つの実世界のシナリオデータセットを用いた実験により,提案手法の異常帰属性能がベースラインと比較された。 我々の方法は、より多くのノードとエッジを持つ大きなグラフにスケールする。

関連論文リスト

• Revisiting Edge Perturbation for Graph Neural Network in Graph Data Augmentation and Attack [58.440711902319855]
  エッジ摂動はグラフ構造を変更する方法である。 グラフニューラルネットワーク(GNN)の性能への影響に基づき、2つの静脈に分類できる。 統一的な定式化を提案し、エッジ摂動法の2つのカテゴリ間の明確な境界を確立する。
  論文  参考訳（メタデータ） (2024-03-10T15:50:04Z)
• Ising on the Graph: Task-specific Graph Subsampling via the Ising Model [0.8192907805418581]
  本稿では,ノードあるいはエッジ上で定義されたIsingモデルを用いて,グラフ構造をサブサンプリングする手法を提案する。 エンド・ツー・エンドの方法で特定の下流タスクに対するグラフの削減方法を学ぶことができるため、我々のアプローチはタスク固有である。
  論文  参考訳（メタデータ） (2024-02-15T18:58:18Z)
• 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)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• Sequential Learning of the Topological Ordering for the Linear Non-Gaussian Acyclic Model with Parametric Noise [6.866717993664787]
  我々はDAGの因果順序を推定するための新しい逐次的アプローチを開発する。 数千のノードを持つケースに対して,我々の手順がスケーラブルであることを示すための,広範な数値的証拠を提供する。
  論文  参考訳（メタデータ） (2022-02-03T18:15:48Z)
• Graph Neural Networks with Feature and Structure Aware Random Walk [5.431036185361236]
  典型的な好適なグラフでは、エッジを指向する可能性があり、エッジをそのまま扱うか、あるいは単純に非指向にするかは、GNNモデルの性能に大きな影響を与える。 そこで我々は,グラフの方向性を適応的に学習するモデルを開発し,ノード間の長距離相関を生かした。
  論文  参考訳（メタデータ） (2021-11-19T08:54:21Z)
• Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification [59.06717774425588]
  本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。 出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。 本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2021-07-27T19:47:53Z)
• Unveiling Anomalous Edges and Nominal Connectivity of Attributed Networks [53.56901624204265]
  本研究では、相補的な強さを持つ2つの異なる定式化を用いて、属性グラフの異常なエッジを明らかにする。 まず、グラフデータマトリックスを低ランクとスパースコンポーネントに分解することで、パフォーマンスを著しく向上させる。 第2は、乱れのないグラフを頑健に復元することにより、第1のスコープを広げ、異常識別性能を高める。
  論文  参考訳（メタデータ） (2021-04-17T20:00:40Z)
• Preprocessing noisy functional data using factor models [0.0]
  観測点の離散集合上で計測された関数的データを検討する。 信号と雑音は自然に因子モデルの共通かつ慣用的な成分として表すことができる。
  論文  参考訳（メタデータ） (2020-12-10T16:54:44Z)
• 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。