論文の概要: Higher-order Structure Based Anomaly Detection on Attributed Networks
- arxiv url: http://arxiv.org/abs/2406.04690v1
- Date: Fri, 7 Jun 2024 07:02:50 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-10 15:09:53.885049
- Title: Higher-order Structure Based Anomaly Detection on Attributed Networks
- Title(参考訳): 分散ネットワーク上の高次構造に基づく異常検出
- Authors: Xu Yuan, Na Zhou, Shuo Yu, Huafei Huang, Zhikui Chen, Feng Xia,
- Abstract要約: 本稿では,高次構造に基づく異常検出(GUIDE)手法を提案する。
我々は属性オートエンコーダと構造オートエンコーダを利用してノード属性と高階構造を再構成する。
また、隣接ノードの重要性を評価するために、グラフ注意層を設計する。
- 参考スコア(独自算出の注目度): 25.94747823510297
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Anomaly detection (such as telecom fraud detection and medical image detection) has attracted the increasing attention of people. The complex interaction between multiple entities widely exists in the network, which can reflect specific human behavior patterns. Such patterns can be modeled by higher-order network structures, thus benefiting anomaly detection on attributed networks. However, due to the lack of an effective mechanism in most existing graph learning methods, these complex interaction patterns fail to be applied in detecting anomalies, hindering the progress of anomaly detection to some extent. In order to address the aforementioned issue, we present a higher-order structure based anomaly detection (GUIDE) method. We exploit attribute autoencoder and structure autoencoder to reconstruct node attributes and higher-order structures, respectively. Moreover, we design a graph attention layer to evaluate the significance of neighbors to nodes through their higher-order structure differences. Finally, we leverage node attribute and higher-order structure reconstruction errors to find anomalies. Extensive experiments on five real-world datasets (i.e., ACM, Citation, Cora, DBLP, and Pubmed) are implemented to verify the effectiveness of GUIDE. Experimental results in terms of ROC-AUC, PR-AUC, and Recall@K show that GUIDE significantly outperforms the state-of-art methods.
- Abstract(参考訳): 異常検出(通信不正検出や医用画像検出など)は人々の注目を集めている。
複数のエンティティ間の複雑な相互作用はネットワーク内に広く存在し、特定の人間の行動パターンを反映することができる。
このようなパターンは高次のネットワーク構造によってモデル化できるため、属性付きネットワークにおける異常検出の恩恵を受けることができる。
しかし、既存のグラフ学習手法に効果的なメカニズムが欠如しているため、これらの複雑な相互作用パターンは異常の検出には適用されず、異常検出の進行をある程度妨げている。
上記の問題に対処するため,高次構造に基づく異常検出法(GUIDE)を提案する。
属性オートエンコーダと構造オートエンコーダを用いて,ノード属性と高次構造をそれぞれ再構成する。
さらに,グラフ注意層を設計し,その高次構造差によるノードに対する隣人の意義を評価する。
最後に,ノード属性と高次構造復元誤差を利用して異常を検出する。
GUIDEの有効性を検証するために,5つの実世界のデータセット(ACM, Citation, Cora, DBLP, Pubmed)の大規模な実験を行った。
ROC-AUC、PR-AUC、Recall@Kによる実験の結果、GUIDEは最先端の手法よりも大幅に優れていた。
関連論文リスト
- Revisiting Deep Feature Reconstruction for Logical and Structural Industrial Anomaly Detection [2.3020018305241337]
産業異常検出は品質管理と予測維持に不可欠である。
既存の手法では、深層学習ネットワークから抽出された画像パッチから複数スケールの特徴を活用することで、デントやスクラッチなどの構造異常を一般的に検出する。
構造異常を検出するためのメモリと計算効率のよいアプローチであるDeep Feature Restruction (DFR) に注目し,これらの制約に対処する。
我々はさらに、DFRをUDSADと呼ばれる統一されたフレームワークに拡張し、構造的および論理的異常の両方を検出する。
論文 参考訳(メタデータ) (2024-10-21T17:56:47Z) - 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) - 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) - ARISE: Graph Anomaly Detection on Attributed Networks via Substructure
Awareness [70.60721571429784]
サブ構造認識(ARISE)による属性付きネットワーク上の新しいグラフ異常検出フレームワークを提案する。
ARISEは、異常を識別するグラフのサブ構造に焦点を当てている。
実験により、ARISEは最先端の属性付きネットワーク異常検出(ANAD)アルゴリズムと比較して、検出性能が大幅に向上することが示された。
論文 参考訳(メタデータ) (2022-11-28T12:17:40Z) - Are we certain it's anomalous? [57.729669157989235]
時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。
本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。
HypADは自己指導で入力信号を再構築する。
論文 参考訳(メタデータ) (2022-11-16T21:31:39Z) - AHEAD: A Triple Attention Based Heterogeneous Graph Anomaly Detection
Approach [23.096589854894884]
AHEADは、エンコーダ-デコーダフレームワークに基づく教師なしグラフ異常検出アプローチである。
実世界の異種情報ネットワークにおけるAHEADの優位性を示す。
論文 参考訳(メタデータ) (2022-08-17T10:08:28Z) - CSCAD: Correlation Structure-based Collective Anomaly Detection in
Complex System [11.739889613196619]
大規模システムにおける高次元異常検出問題に対する相関構造に基づく集団異常検出モデルを提案する。
本フレームワークでは,変分オートエンコーダを組み合わせたグラフ畳み込みネットワークを用いて,特徴空間の相関とサンプルの再構成不足を共同で活用する。
異常判別ネットワークは、低異常度サンプルを正のサンプルとして、高異常度サンプルを負のサンプルとしてトレーニングすることができる。
論文 参考訳(メタデータ) (2021-05-30T09:28:25Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳(メタデータ) (2021-02-27T03:17:20Z) - Understanding and Diagnosing Vulnerability under Adversarial Attacks [62.661498155101654]
ディープニューラルネットワーク(DNN)は敵の攻撃に弱いことが知られている。
本稿では,潜在変数の分類に使用される特徴を説明するために,新しい解釈可能性手法であるInterpretGANを提案する。
また、各層がもたらす脆弱性を定量化する最初の診断方法も設計する。
論文 参考訳(メタデータ) (2020-07-17T01:56:28Z) - AnomalyDAE: Dual autoencoder for anomaly detection on attributed
networks [10.728863198129478]
属性付きネットワーク上の異常検出は、ほとんどの参照ノードからパターンが著しく逸脱したノードを見つけることを目的としている。
デュアルオートエンコーダ(AnomalyDAE)による異常検出のためのディープジョイント表現学習フレームワークを提案する。
構造と属性の両方の観点からノードの再構成誤差を測定することで異常を検出することができる。
論文 参考訳(メタデータ) (2020-02-10T11:32:23Z)
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。