論文の概要: Towards Multi-view Graph Anomaly Detection with Similarity-Guided Contrastive Clustering

• arxiv url: http://arxiv.org/abs/2409.09770v1
• Date: Sun, 15 Sep 2024 15:41:59 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-17 17:30:41.937521
• Title: Towards Multi-view Graph Anomaly Detection with Similarity-Guided Contrastive Clustering
• Title（参考訳）: 類似性誘導型コントラストクラスタリングによるマルチビューグラフ異常検出に向けて
• Authors: Lecheng Zheng, John R. Birge, Yifang Zhang, Jingrui He,
• Abstract要約: グラフ上の異常検出は多くの実世界のアプリケーションにおいて重要な役割を果たす。 類似性誘導型コントラスト損失により正規化されたオートエンコーダベースのクラスタリングフレームワークを提案し,異常ノードを検出する。
• 参考スコア（独自算出の注目度）: 35.1801853090859
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection on graphs plays an important role in many real-world applications. Usually, these data are composed of multiple types (e.g., user information and transaction records for financial data), thus exhibiting view heterogeneity. Therefore, it can be challenging to leverage such multi-view information and learn the graph's contextual information to identify rare anomalies. To tackle this problem, many deep learning-based methods utilize contrastive learning loss as a regularization term to learn good representations. However, many existing contrastive-based methods show that traditional contrastive learning losses fail to consider the semantic information (e.g., class membership information). In addition, we theoretically show that clustering-based contrastive learning also easily leads to a sub-optimal solution. To address these issues, in this paper, we proposed an autoencoder-based clustering framework regularized by a similarity-guided contrastive loss to detect anomalous nodes. Specifically, we build a similarity map to help the model learn robust representations without imposing a hard margin constraint between the positive and negative pairs. Theoretically, we show that the proposed similarity-guided loss is a variant of contrastive learning loss, and how it alleviates the issue of unreliable pseudo-labels with the connection to graph spectral clustering. Experimental results on several datasets demonstrate the effectiveness and efficiency of our proposed framework.
• Abstract（参考訳）: グラフ上の異常検出は多くの実世界のアプリケーションにおいて重要な役割を果たす。 通常、これらのデータは複数のタイプ(例えば、財務データのためのユーザ情報やトランザクションレコード)で構成されており、ビューの不均一性を示す。 したがって、このような多視点情報を活用して、グラフの文脈情報を学習して稀な異常を識別することは困難である。 この問題に対処するために、多くのディープラーニングベースの手法は、優れた表現を学習するための正規化用語として対照的な学習損失を利用する。 しかし,既存のコントラストベースの手法の多くは,従来のコントラスト学習の損失が意味情報(クラスメンバーシップ情報など)を考慮できないことを示している。 さらに,クラスタリングに基づくコントラスト学習が準最適解につながることも理論的に示している。 そこで本稿では,類似性誘導型コントラスト損失により正規化され,異常ノードを検出するオートエンコーダベースのクラスタリングフレームワークを提案する。 具体的には、モデルが正対と負対のハードマージン制約を課すことなく、ロバスト表現を学習するための類似性マップを構築する。 理論的には、提案した類似性誘導損失は対照的な学習損失の変種であり、グラフスペクトルクラスタリングとの接続による信頼できない擬似ラベルの問題を軽減する方法を示す。 いくつかのデータセットに対する実験結果から,提案フレームワークの有効性と有効性を示す。

関連論文リスト

• SpecRaGE: Robust and Generalizable Multi-view Spectral Representation Learning [9.393841121141076]
  近年,多視点表現学習 (MvRL) が注目されている。 グラフラプラシアンベースのMvRL法は、マルチビューデータの表現に顕著な成功を収めた。 本稿では,グラフラプラシアン手法の強みを深層学習の力と統合した,新しい融合ベースのフレームワークであるtextitSpecRaGE$を紹介する。
  論文  参考訳（メタデータ） (2024-11-04T14:51:35Z)
• Discriminative Anchor Learning for Efficient Multi-view Clustering [59.11406089896875]
  マルチビュークラスタリング(DALMC)のための識別的アンカー学習を提案する。 元のデータセットに基づいて、識別的なビュー固有の特徴表現を学習する。 これらの表現に基づいて異なるビューからアンカーを構築することで、共有アンカーグラフの品質が向上します。
  論文  参考訳（メタデータ） (2024-09-25T13:11:17Z)
• Regularized Contrastive Partial Multi-view Outlier Detection [76.77036536484114]
  RCPMOD(Regularized Contrastive partial Multi-view Outlier Detection)と呼ばれる新しい手法を提案する。 このフレームワークでは、コントラスト学習を利用して、ビュー一貫性のある情報を学び、一貫性の度合いでアウトレイラを識別する。 4つのベンチマークデータセットによる実験結果から,提案手法が最先端の競合より優れていることが示された。
  論文  参考訳（メタデータ） (2024-08-02T14:34:27Z)
• ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial Multi-View Clustering [52.491074276133325]
  部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。 提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
  論文  参考訳（メタデータ） (2022-03-01T02:32:25Z)
• Generalizable Information Theoretic Causal Representation [37.54158138447033]
  本稿では,観測データから因果表現を学習するために,仮説因果グラフに基づいて相互情報量で学習手順を規則化することを提案する。 この最適化は、因果性に着想を得た学習がサンプルの複雑さを減らし、一般化能力を向上させるという理論的保証を導出する反ファクト的損失を伴う。
  論文  参考訳（メタデータ） (2022-02-17T00:38:35Z)
• Robust Contrastive Learning against Noisy Views [79.71880076439297]
  ノイズの多い視点に対して頑健な新しいコントラスト損失関数を提案する。 提案手法は,最新の画像,ビデオ,グラフのコントラスト学習ベンチマークに対して一貫した改善を提供する。
  論文  参考訳（メタデータ） (2022-01-12T05:24:29Z)
• Generative and Contrastive Self-Supervised Learning for Graph Anomaly Detection [14.631674952942207]
  グラフ異常検出のための自己教師付き学習法(SL-GAD)を提案する。 提案手法では,対象ノードに基づいて異なるコンテキストサブグラフを構築し,生成属性回帰とマルチビューコントラスト学習という2つのモジュールを用いて異常検出を行う。 提案手法は,6つのベンチマークデータセットに対して広範な実験を行い,提案手法が最先端の手法よりも大きなマージンで優れていることを示した。
  論文  参考訳（メタデータ） (2021-08-23T02:15:21Z)
• Learning from Partially Overlapping Labels: Image Segmentation under Annotation Shift [68.6874404805223]
  腹部臓器分節の文脈におけるラベルの重複から学ぶためのいくつかの方法を提案する。 半教師付きアプローチと適応的クロスエントロピー損失を組み合わせることで、不均一な注釈付きデータをうまく活用できることが判明した。
  論文  参考訳（メタデータ） (2021-07-13T09:22:24Z)
• Solving Inefficiency of Self-supervised Representation Learning [87.30876679780532]
  既存のコントラスト学習法は、非常に低い学習効率に苦しむ。 アンダークラスタリングとオーバークラスタリングの問題は、学習効率の大きな障害である。 中央三重項損失を用いた新しい自己監督学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-18T07:47:10Z)

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。