論文の概要: SLADE: Detecting Dynamic Anomalies in Edge Streams without Labels via Self-Supervised Learning
- arxiv url: http://arxiv.org/abs/2402.11933v3
- Date: Thu, 25 Jul 2024 00:46:33 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-26 19:36:52.777879
- Title: SLADE: Detecting Dynamic Anomalies in Edge Streams without Labels via Self-Supervised Learning
- Title(参考訳): SLADE:自己監視学習によるラベルなしエッジストリームの動的異常検出
- Authors: Jongha Lee, Sunwoo Kim, Kijung Shin,
- Abstract要約: 本稿では,エッジストリーム中の動的異常を迅速に検出するためのSLADE(Self-supervised Learning for Anomaly Detection in Edge Streams)を提案する。
現実世界の4つのデータセットにわたる動的異常検出では、SLADEは9つの競合する手法より優れている。
- 参考スコア(独自算出の注目度): 24.41015179377796
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To detect anomalies in real-world graphs, such as social, email, and financial networks, various approaches have been developed. While they typically assume static input graphs, most real-world graphs grow over time, naturally represented as edge streams. In this context, we aim to achieve three goals: (a) instantly detecting anomalies as they occur, (b) adapting to dynamically changing states, and (c) handling the scarcity of dynamic anomaly labels. In this paper, we propose SLADE (Self-supervised Learning for Anomaly Detection in Edge Streams) for rapid detection of dynamic anomalies in edge streams, without relying on labels. SLADE detects the shifts of nodes into abnormal states by observing deviations in their interaction patterns over time. To this end, it trains a deep neural network to perform two self-supervised tasks: (a) minimizing drift in node representations and (b) generating long-term interaction patterns from short-term ones. Failure in these tasks for a node signals its deviation from the norm. Notably, the neural network and tasks are carefully designed so that all required operations can be performed in constant time (w.r.t. the graph size) in response to each new edge in the input stream. In dynamic anomaly detection across four real-world datasets, SLADE outperforms nine competing methods, even those leveraging label supervision.
- Abstract(参考訳): ソーシャル,メール,金融ネットワークなどの実世界のグラフの異常を検出するために,様々なアプローチが開発されている。
彼らは通常静的な入力グラフを仮定するが、ほとんどの現実世界のグラフは時間とともに成長し、自然にエッジストリームとして表される。
この文脈では、私たちは3つの目標を達成することを目指しています。
a) 異常が発生すると即座に異常を検知する。
b)動的に変化する状態に適応し、
(c)動的異常ラベルの不足を扱う。
本稿では,ラベルに依存することなく,エッジストリーム中の動的異常を迅速に検出するためのSLADE(Self-supervised Learning for Anomaly Detection in Edge Streams)を提案する。
SLADEは、時間とともに相互作用パターンの偏差を観察することで、ノードの異常状態へのシフトを検出する。
この目的のために、ディープニューラルネットワークをトレーニングして、2つの自己教師型タスクを実行する。
(a)ノード表現におけるドリフトの最小化及び
(b)短期的な相互作用パターンから長期的相互作用パターンを生成する。
ノードのこれらのタスクの失敗は、標準からの逸脱を示す。
特に、ニューラルネットワークとタスクは、入力ストリームの各新しいエッジに応答して、すべての必要な操作を一定時間(例えばグラフサイズ)で実行できるように、慎重に設計されている。
現実世界の4つのデータセットをまたいだ動的異常検出では、SLADEは9つの競合するメソッド、さらにはラベルの監督を利用するものよりも優れています。
関連論文リスト
- Spatial-temporal Memories Enhanced Graph Autoencoder for Anomaly Detection in Dynamic Graphs [52.956235109354175]
動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。
空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。
STRIPEは、動的グラフの異なる空間的・時間的ダイナミクスを効果的に活用することにより、異常を識別する優れた能力を示した。
論文 参考訳(メタデータ) (2024-03-14T02:26:10Z) - 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) - 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) - SAD: Semi-Supervised Anomaly Detection on Dynamic Graphs [11.819993729810257]
異常検出は、良性例の大多数と大きく異なる異常例を区別することを目的としている。
グラフニューラルネットワークは、異常検出問題に取り組むことで、ますます人気が高まっている。
動的グラフ上での異常検出のためのエンドツーエンドフレームワークである半教師付き異常検出(SAD)を提案する。
論文 参考訳(メタデータ) (2023-05-23T01:05:34Z) - Deep Graph Stream SVDD: Anomaly Detection in Cyber-Physical Systems [17.373668215331737]
本稿では,異常検出のためのディープグラフベクトルデータ記述法(SVDD)を提案する。
まず、時間的埋め込みにおけるデータ監視の短絡パターンと長絡パターンの両方を保存するために、トランスフォーマーを使用します。
センサタイプに応じてこれらの埋め込みをクラスタリングし、各種センサ間の接続性の変化を推定し、新しい重み付きグラフを構築する。
論文 参考訳(メタデータ) (2023-02-24T22:14:39Z) - 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) - Fast and Accurate Anomaly Detection in Dynamic Graphs with a Two-Pronged
Approach [49.25767340466445]
動的グラフにおける異常検出のためのオンラインアルゴリズムAnomRankを提案する。
AnomRank氏は、異常を示す2つの新しいメトリクスを定義する2段階のアプローチを使用している。
理論的,実験的に,この2つのアプローチが共通の2種類の異常の検出に成功していることを示す。
論文 参考訳(メタデータ) (2020-11-26T01:38:27Z) - Laplacian Change Point Detection for Dynamic Graphs [10.556288610354997]
各スナップショットにおけるグラフ構造のラプラシアン行列のスペクトルを用いて低次元埋め込みを求めるラプラシアン異常検出(Laplacian Anomaly Detection,LAD)を提案する。
合成実験では、LADは最先端の手法よりも優れている。
また,UCIメッセージネットワーク,米国上院共同責任ネットワーク,カナダ紙幣投票ネットワークの3つの実動的ネットワーク上で,本手法の評価を行った。
論文 参考訳(メタデータ) (2020-07-02T16:24:24Z) - 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)
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。