論文の概要: Learning-Based Link Anomaly Detection in Continuous-Time Dynamic Graphs
- arxiv url: http://arxiv.org/abs/2405.18050v2
- Date: Sat, 28 Sep 2024 12:33:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-01 22:01:45.008526
- Title: Learning-Based Link Anomaly Detection in Continuous-Time Dynamic Graphs
- Title(参考訳): 連続時間動的グラフにおける学習型リンク異常検出
- Authors: Tim Poštuvan, Claas Grohnfeldt, Michele Russo, Giulio Lovisotto,
- Abstract要約: 連続時間動的グラフにおける異常検出は、学習アルゴリズムの文脈ではまだ未探索の分野である。
我々は,リンクレベルの異常とグラフ表現学習の先駆的構造解析を行い,分類的に異常なグラフリンクを同定した。
- 参考スコア(独自算出の注目度): 2.1199214954570653
- License:
- Abstract: Anomaly detection in continuous-time dynamic graphs is an emerging field yet under-explored in the context of learning algorithms. In this paper, we pioneer structured analyses of link-level anomalies and graph representation learning for identifying categorically anomalous graph links. First, we introduce a fine-grained taxonomy for edge-level anomalies leveraging structural, temporal, and contextual graph properties. Based on these properties, we introduce a method for generating and injecting typed anomalies into graphs. Next, we introduce a novel method to generate continuous-time dynamic graphs featuring consistencies across either or combinations of time, structure, and context. To enable temporal graph learning methods to detect specific types of anomalous links rather than the bare existence of a link, we extend the generic link prediction setting by: (1) conditioning link existence on contextual edge attributes; and (2) refining the training regime to accommodate diverse perturbations in the negative edge sampler. Comprehensive benchmarks on synthetic and real-world datasets -- featuring synthetic and labeled organic anomalies and employing six state-of-the-art link prediction methods -- validate our taxonomy and generation processes for anomalies and benign graphs, as well as our approach to adapting methods for anomaly detection. Our results reveal that different learning methods excel in capturing different aspects of graph normality and detecting different types of anomalies. We conclude with a comprehensive list of findings highlighting opportunities for future research.
- Abstract(参考訳): 連続時間動的グラフにおける異常検出は、学習アルゴリズムの文脈ではまだ未探索の分野である。
本稿では,リンクレベルの異常とグラフ表現学習の先駆的構造解析を行い,分類的異常グラフリンクを同定する。
まず、構造的、時間的、文脈的なグラフ特性を利用したエッジレベルの異常に対するきめ細かい分類法を提案する。
これらの特性に基づいて,型付き異常をグラフに生成・注入する手法を提案する。
次に,時間,構造,コンテキストの組み合わせの相違を特徴とする連続時間動的グラフを生成する新しい手法を提案する。
時間グラフ学習法により,リンクの素な存在ではなく,特定の種類の異常リンクを検出できるようにするため,(1)コンテキスト的エッジ属性にリンクの存在を条件付けすること,(2)負エッジサンプリング器の多様な摂動に適応するためにトレーニング体制を洗練することによる,汎用リンク予測の設定を拡張した。
合成およびラベル付けされた有機異常と6つの最先端リンク予測手法を併用した、合成および実世界のデータセットに関する包括的なベンチマークは、異常と良性グラフの分類と生成プロセスを検証するとともに、異常検出の方法への我々のアプローチを検証する。
この結果から,グラフの正規性の異なる側面を抽出し,異なるタイプの異常を検出する上で,学習方法が優れていることが明らかとなった。
今後の研究の機会を浮き彫りにした調査結果の総合的なリストで締めくくります。
関連論文リスト
- Three Revisits to Node-Level Graph Anomaly Detection: Outliers, Message
Passing and Hyperbolic Neural Networks [9.708651460086916]
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。
論文 参考訳(メタデータ) (2024-03-06T19:42:34Z) - 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) - Multivariate Time Series Anomaly Detection via Dynamic Graph Forecasting [0.0]
動的時系列間グラフのリストに基づく時系列異常検出フレームワークDyGraphADを提案する。
中心となる考え方は、シリーズ間関係とシリーズ間時間パターンの正常状態から異常状態へのずれに基づいて異常を検出することである。
実世界のデータセットに関する数値実験により,DyGraphADはベースライン異常検出手法よりも優れた性能を示した。
論文 参考訳(メタデータ) (2023-02-04T01:27:01Z) - Generative Graph Neural Networks for Link Prediction [13.643916060589463]
欠落したリンクを推測したり、観測されたグラフに基づいて急激なリンクを検出することは、グラフデータ分析における長年の課題である。
本稿では,GraphLPと呼ばれるネットワーク再構成理論に基づく,新しい,根本的に異なるリンク予測アルゴリズムを提案する。
リンク予測に使用される識別ニューラルネットワークモデルとは異なり、GraphLPは生成可能であり、ニューラルネットワークベースのリンク予測の新しいパラダイムを提供する。
論文 参考訳(メタデータ) (2022-12-31T10:07:19Z) - Heterogeneous Graph Neural Networks using Self-supervised Reciprocally
Contrastive Learning [102.9138736545956]
不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。
我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。
この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
論文 参考訳(メタデータ) (2022-04-30T12:57:02Z) - 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) - Graph Self-supervised Learning with Accurate Discrepancy Learning [64.69095775258164]
離散性に基づく自己監督型LeArning(D-SLA)と呼ばれる原図と摂動グラフの正確な相違を学習することを目的としたフレームワークを提案する。
本稿では,分子特性予測,タンパク質機能予測,リンク予測タスクなど,グラフ関連下流タスクにおける本手法の有効性を検証する。
論文 参考訳(メタデータ) (2022-02-07T08:04:59Z) - Line Graph Neural Networks for Link Prediction [71.00689542259052]
実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。
このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。
本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。
特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
論文 参考訳(メタデータ) (2020-10-20T05:54:31Z) - Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph
Link Prediction [69.1473775184952]
数発のアウトオブグラフリンク予測という現実的な問題を導入する。
我々は,新しいメタ学習フレームワークによってこの問題に対処する。
我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
論文 参考訳(メタデータ) (2020-06-11T17:42:46Z)
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。