論文の概要: Three Revisits to Node-Level Graph Anomaly Detection: Outliers, Message Passing and Hyperbolic Neural Networks

• arxiv url: http://arxiv.org/abs/2403.04010v1
• Date: Wed, 6 Mar 2024 19:42:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-08 16:04:32.731578
• Title: Three Revisits to Node-Level Graph Anomaly Detection: Outliers, Message Passing and Hyperbolic Neural Networks
• Title（参考訳）: ノードレベルグラフ異常検出の3つの再考:アウトレーヤ、メッセージパッシング、双曲ニューラルネットワーク
• Authors: Jing Gu, Dongmian Zou
• Abstract要約: 本稿では,教師なしノードレベルのグラフ異常検出タスクに対するデータセットとアプローチを再検討する。 まず,グラフデータセットにおいて,より多様なグラフベースの異常を発生させるアウトリーインジェクション手法を提案する。 第2に、メッセージパッシングを利用した手法を非使用者と比較し、予期せぬ性能低下を明らかにした。
• 参考スコア（独自算出の注目度）: 9.708651460086916
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph anomaly detection plays a vital role for identifying abnormal instances in complex networks. Despite advancements of methodology based on deep learning in recent years, existing benchmarking approaches exhibit limitations that hinder a comprehensive comparison. In this paper, we revisit datasets and approaches for unsupervised node-level graph anomaly detection tasks from three aspects. Firstly, we introduce outlier injection methods that create more diverse and graph-based anomalies in graph datasets. Secondly, we compare methods employing message passing against those without, uncovering the unexpected decline in performance associated with message passing. Thirdly, we explore the use of hyperbolic neural networks, specifying crucial architecture and loss design that contribute to enhanced performance. Through rigorous experiments and evaluations, our study sheds light on general strategies for improving node-level graph anomaly detection methods.
• Abstract（参考訳）: グラフ異常検出は、複雑なネットワークにおける異常インスタンスを特定する上で重要な役割を果たす。 近年のディープラーニングに基づく方法論の進歩にもかかわらず、既存のベンチマーク手法は包括的な比較を妨げる限界を示す。 本稿では,教師なしノードレベルグラフ異常検出タスクのデータセットとアプローチを3つの側面から再検討する。 まず,グラフデータセットにおいて,より多様なグラフベースの異常を発生させるアウトリーインジェクション手法を提案する。 第2に,メッセージパッシングに伴なう性能の予期せぬ低下を明らかにするため,メッセージパッシングを不要者と比較した。 第3に,双曲型ニューラルネットワークの利用を探求し,性能向上に寄与する重要なアーキテクチャと損失設計を特定する。 厳密な実験と評価を通じて,ノードレベルのグラフ異常検出法を改善するための一般的な戦略を明らかにした。

関連論文リスト

• 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)
• GRAM: An Interpretable Approach for Graph Anomaly Detection using Gradient Attention Maps [26.011499804523808]
  本稿では,性能向上のための解釈可能性の力を活用したグラフ異常検出手法を提案する。 本手法は, グラフニューラルネットワークの勾配から抽出したアテンションマップを抽出し, 異常評価の基礎となる。 実世界のグラフ分類と無線ネットワークデータセットにおける最先端グラフ異常検出技術に対する我々のアプローチを広く評価する。
  論文  参考訳（メタデータ） (2023-11-10T16:14:21Z)
• 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)
• DAGAD: Data Augmentation for Graph Anomaly Detection [57.92471847260541]
  本稿では、属性グラフのための新しいデータ拡張ベースのグラフ異常検出(DAGAD)フレームワークを考案する。 3つのデータセットに関する一連の実験は、DAGADが様々な主に使用されるメトリクスに関して、10の最先端のベースライン検出器より優れていることを証明している。
  論文  参考訳（メタデータ） (2022-10-18T11:28:21Z)
• Benchmarking Node Outlier Detection on Graphs [90.29966986023403]
  グラフの外れ値検出は、多くのアプリケーションにおいて、新しいが重要な機械学習タスクである。 UNODと呼ばれるグラフに対して、最初の包括的教師なしノード外乱検出ベンチマークを示す。
  論文  参考訳（メタデータ） (2022-06-21T01:46:38Z)
• Raising the Bar in Graph-level Anomaly Detection [33.737428672049255]
  既存のワンクラスのアプローチを大幅に改善する,新たなディープラーニングアプローチを提案する。 提案手法は,既存手法と比較して平均11.8%AUCの性能向上を実現している。
  論文  参考訳（メタデータ） (2022-05-27T09:17:57Z)
• From Unsupervised to Few-shot Graph Anomaly Detection: A Multi-scale Contrastive Learning Approach [26.973056364587766]
  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)
• 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)

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。