論文の概要: ARC: A Generalist Graph Anomaly Detector with In-Context Learning

• arxiv url: http://arxiv.org/abs/2405.16771v1
• Date: Mon, 27 May 2024 02:42:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-28 19:16:00.326702
• Title: ARC: A Generalist Graph Anomaly Detector with In-Context Learning
• Title（参考訳）: ARC: インコンテキスト学習を備えた汎用グラフ異常検出器
• Authors: Yixin Liu, Shiyuan Li, Yu Zheng, Qingfeng Chen, Chengqi Zhang, Shirui Pan,
• Abstract要約: ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。 ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。 各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
• 参考スコア（独自算出の注目度）: 62.202323209244
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph anomaly detection (GAD), which aims to identify abnormal nodes that differ from the majority within a graph, has garnered significant attention. However, current GAD methods necessitate training specific to each dataset, resulting in high training costs, substantial data requirements, and limited generalizability when being applied to new datasets and domains. To address these limitations, this paper proposes ARC, a generalist GAD approach that enables a ``one-for-all'' GAD model to detect anomalies across various graph datasets on-the-fly. Equipped with in-context learning, ARC can directly extract dataset-specific patterns from the target dataset using few-shot normal samples at the inference stage, without the need for retraining or fine-tuning on the target dataset. ARC comprises three components that are well-crafted for capturing universal graph anomaly patterns: 1) smoothness-based feature Alignment module that unifies the features of different datasets into a common and anomaly-sensitive space; 2) ego-neighbor Residual graph encoder that learns abnormality-related node embeddings; and 3) cross-attentive in-Context anomaly scoring module that predicts node abnormality by leveraging few-shot normal samples. Extensive experiments on multiple benchmark datasets from various domains demonstrate the superior anomaly detection performance, efficiency, and generalizability of ARC.
• Abstract（参考訳）: グラフ内の多数と異なる異常ノードを識別することを目的としたグラフ異常検出(GAD)が注目されている。 しかし、現在のGADメソッドは各データセットに特有のトレーニングを必要とするため、トレーニングコストが高く、データ要件が大きくなり、新しいデータセットやドメインに適用される際の一般化性が制限される。 これらの制約に対処するため,本論文では, 'one-for-all'' のGADモデルを用いて,様々なグラフデータセットの異常を検出する一般のGADアプローチであるARCを提案する。 コンテキスト内学習を備えたARCは、ターゲットデータセットのトレーニングや微調整を必要とせずに、推論段階での少数ショットの通常のサンプルを使用して、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。 ARCは、普遍的なグラフ異常パターンをキャプチャするためによく作られた3つのコンポーネントから構成される。 1) 異なるデータセットの特徴を共通かつ異常に敏感な空間に統一する滑らか度に基づく特徴アライメントモジュール 2)異常関連ノードの埋め込みを学習するego-neighbor残差グラフエンコーダ 3) 数発の正常サンプルを活用することでノード異常を予測するクロスアテンティブなコンテキスト異常スコアリングモジュール。 各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。

関連論文リスト

• UMGAD: Unsupervised Multiplex Graph Anomaly Detection [40.17829938834783]
  UMGADと呼ばれる新しい教師なし多重グラフ異常検出法を提案する。 我々はまず、多重異種グラフにおけるノード間の多重相関関係を学習する。 そして、ノイズや冗長な情報が異常情報抽出に与える影響を弱めるために、属性レベルおよびサブグラフレベルの拡張ビューグラフを生成する。
  論文  参考訳（メタデータ） (2024-11-19T15:15:45Z)
• Zero-shot Generalist Graph Anomaly Detection with Unified Neighborhood Prompts [21.05107001235223]
  グラフ異常検出(GAD)は、通常のパターンから著しく逸脱したグラフ内のノードを特定することを目的としている。 既存のGADメソッドは、教師付きでも教師なしでも、ワン・モデル・フォー・ワン・データセットのアプローチである。 ゼロショット・ジェネラリストのGADがUNPromptに近づき、一対一検出モデルを訓練する。
  論文  参考訳（メタデータ） (2024-10-18T22:23:59Z)
• Fine-grained Abnormality Prompt Learning for Zero-shot Anomaly Detection [88.34095233600719]
  FAPromptは、より正確なZSADのためにきめ細かい異常プロンプトを学習するために設計された新しいフレームワークである。 画像レベルおよび画素レベルのZSADタスクにおいて、最先端の手法を少なくとも3%-5%のAUC/APで大幅に上回っている。
  論文  参考訳（メタデータ） (2024-10-14T08:41:31Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
  我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
  論文  参考訳（メタデータ） (2023-12-26T07:08:06Z)
• Unraveling the "Anomaly" in Time Series Anomaly Detection: A Self-supervised Tri-domain Solution [89.16750999704969]
  異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。 自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。 自己教師型3領域異常検出器(TriAD)を提案する。
  論文  参考訳（メタデータ） (2023-11-19T05:37:18Z)
• 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)
• 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)
• 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)
• Enhancing Unsupervised Anomaly Detection with Score-Guided Network [13.127091975959358]
  異常検出は、医療や金融システムなど、さまざまな現実世界のアプリケーションにおいて重要な役割を担っている。 正規データと異常データの間の異常スコアの差を学習・拡大するために,スコア誘導正規化を用いた新しいスコアネットワークを提案する。 次に,スコア誘導型オートエンコーダ(SG-AE)を提案する。
  論文  参考訳（メタデータ） (2021-09-10T06:14:53Z)

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。