論文の概要: Towards Cross-domain Few-shot Graph Anomaly Detection

• arxiv url: http://arxiv.org/abs/2410.08629v1
• Date: Fri, 11 Oct 2024 08:47:25 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-30 22:54:46.333316
• Title: Towards Cross-domain Few-shot Graph Anomaly Detection
• Title（参考訳）: クロスドメインFew-shotグラフ異常検出に向けて
• Authors: Jiazhen Chen, Sichao Fu, Zhibin Zhang, Zheng Ma, Mingbin Feng, Tony S. Wirjanto, Qinmu Peng,
• Abstract要約: ソースとターゲットドメイン間のデータ分散の相違により、クロスドメインの少数ショットグラフ異常検出(GAD)は簡単ではない。 我々は,上記の課題に対処するために,CDFS-GADと呼ばれるシンプルで効果的なフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 6.732699844225434
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Few-shot graph anomaly detection (GAD) has recently garnered increasing attention, which aims to discern anomalous patterns among abundant unlabeled test nodes under the guidance of a limited number of labeled training nodes. Existing few-shot GAD approaches typically adopt meta-training methods trained on richly labeled auxiliary networks to facilitate rapid adaptation to target networks that possess sparse labels. However, these proposed methods often assume that the auxiliary and target networks exist in the same data distributions-an assumption rarely holds in practical settings. This paper explores a more prevalent and complex scenario of cross-domain few-shot GAD, where the goal is to identify anomalies within sparsely labeled target graphs using auxiliary graphs from a related, yet distinct domain. The challenge here is nontrivial owing to inherent data distribution discrepancies between the source and target domains, compounded by the uncertainties of sparse labeling in the target domain. In this paper, we propose a simple and effective framework, termed CDFS-GAD, specifically designed to tackle the aforementioned challenges. CDFS-GAD first introduces a domain-adaptive graph contrastive learning module, which is aimed at enhancing cross-domain feature alignment. Then, a prompt tuning module is further designed to extract domain-specific features tailored to each domain. Moreover, a domain-adaptive hypersphere classification loss is proposed to enhance the discrimination between normal and anomalous instances under minimal supervision, utilizing domain-sensitive norms. Lastly, a self-training strategy is introduced to further refine the predicted scores, enhancing its reliability in few-shot settings. Extensive experiments on twelve real-world cross-domain data pairs demonstrate the effectiveness of the proposed CDFS-GAD framework in comparison to various existing GAD methods.
• Abstract（参考訳）: 少ないショットグラフ異常検出(GAD)は、限られた数のラベル付きトレーニングノードのガイダンスの下で、豊富なラベル付きテストノード間の異常パターンを識別することを目的として、最近注目を集めている。 既存の数発のGADアプローチでは、スパースラベルを持つターゲットネットワークへの迅速な適応を容易にするために、リッチなラベル付き補助ネットワークで訓練されたメタトレーニング手法を採用するのが一般的である。 しかし、これらの提案手法は、補助的ネットワークと標的ネットワークが同一のデータ分布に存在すると仮定することが多い。 本稿では,関連性のある領域からの補助グラフを用いて,スパースラベル付きターゲットグラフ内の異常を識別することを目的とする,クロスドメイン・ショットGADのより一般的で複雑なシナリオについて検討する。 ここでの課題は、ソースとターゲットドメイン間のデータ分散の相違により、ターゲットドメインにおけるスパースラベリングの不確実性によって複雑化されているため、簡単ではない。 本稿では,上記の課題に対処するために,CDFS-GADと呼ばれるシンプルで効果的なフレームワークを提案する。 CDFS-GADは、クロスドメイン機能アライメントの強化を目的とした、ドメイン適応型グラフコントラスト学習モジュールを最初に導入する。 次に、各ドメインに適したドメイン固有の特徴を抽出するプロンプトチューニングモジュールを更に設計する。 さらに、ドメイン適応型ハイパースフィア分類損失は、ドメイン依存ノルムを利用して、最小限の監督下での正常インスタンスと異常インスタンスの識別を強化するために提案される。 最後に、予測されたスコアをさらに洗練し、数ショット設定で信頼性を高めるための自己学習戦略が導入された。 12個の実世界のクロスドメインデータペアに対する大規模な実験は、既存のGAD法と比較して提案したCDFS-GADフレームワークの有効性を実証している。

関連論文リスト

• Utilizing Graph Generation for Enhanced Domain Adaptive Object Detection [1.9846381198210663]
  オブジェクト検出の分野におけるドメイン適応の問題は、ラベル付きソースドメインから未注釈のターゲットドメインへのオブジェクト検出モデルの転送である。 この分野の最近の進歩は、非ユークリッドグラフィカル空間内の領域間でピクセルペアを整列させることによって、ドメインの相違に対処することを目的としている。 それらの顕著な成果にもかかわらず、これらの手法はグラフをモデル化するために粗い意味表現を使用することが多い。
  論文  参考訳（メタデータ） (2024-04-23T03:11:08Z)
• Adaptive Betweenness Clustering for Semi-Supervised Domain Adaptation [108.40945109477886]
  分類領域アライメントを実現するために,G-ABC (Adaptive Betweenness Clustering) と呼ばれる新しいSSDA手法を提案する。 提案手法は従来のSSDA手法よりも優れており,提案したG-ABCアルゴリズムの優位性を示している。
  論文  参考訳（メタデータ） (2024-01-21T09:57:56Z)
• Self-training through Classifier Disagreement for Cross-Domain Opinion Target Extraction [62.41511766918932]
  オピニオンターゲット抽出(OTE)またはアスペクト抽出(AE)は意見マイニングの基本的な課題である。 最近の研究は、現実世界のシナリオでよく見られるクロスドメインのOTEに焦点を当てている。 そこで本稿では,ドメイン固有の教師と学生のネットワークから出力されるモデルが未学習のターゲットデータと一致しない対象サンプルを選択するためのSSLアプローチを提案する。
  論文  参考訳（メタデータ） (2023-02-28T16:31:17Z)
• Label Alignment Regularization for Distribution Shift [63.228879525056904]
  最近の研究は、教師あり学習におけるラベルアライメント特性(LAP)を強調している。 対象領域の予測と最上位特異ベクトルとのアライメントを促進する非教師なし領域適応の正規化法を提案する。 MNIST-USPSドメイン適応や言語間感情分析などのよく知られたタスクにおいて、ドメイン適応ベースラインよりもパフォーマンスが向上したことを報告した。
  論文  参考訳（メタデータ） (2022-11-27T22:54:48Z)
• Domain Generalization through the Lens of Angular Invariance [44.76809026901016]
  ドメイン一般化(Domain Generalization, DG)は、複数のソースドメインで訓練された分類器を、ドメインシフトを伴う見えないターゲットドメインに一般化することを目的としている。 我々は、Angular Invariance Domain Generalization Network (AIDGN) と呼ばれる新しいディープDG手法を提案する。
  論文  参考訳（メタデータ） (2022-10-28T02:05:38Z)
• Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training for Road Segmentation of Remote Sensing Images [93.50240389540252]
  リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。 本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。 2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-08-28T09:29:14Z)
• Generalizable Representation Learning for Mixture Domain Face Anti-Spoofing [53.82826073959756]
  ドメイン一般化(DG)に基づく対スプーフィングアプローチは、予期せぬシナリオの堅牢性のために注目を集めています。 ドメインダイナミック調整メタラーニング(D2AM)についてドメインラベルを使わずに提案する。 この制限を克服するため,ドメインダイナミック調整メタラーニング(D2AM)を提案する。
  論文  参考訳（メタデータ） (2021-05-06T06:04:59Z)
• Discriminative Cross-Domain Feature Learning for Partial Domain Adaptation [70.45936509510528]
  部分的なドメイン適応は、より大きく多様なソースドメインからの知識を、より少ないクラス数でより小さなターゲットドメインに適応させることを目的としています。 ドメイン適応の最近の実践は、ターゲットドメインの擬似ラベルを組み込むことで、効果的な特徴を抽出する。 ターゲットデータを少数のソースデータのみにアライメントすることが不可欠である。
  論文  参考訳（メタデータ） (2020-08-26T03:18:53Z)
• Unsupervised Domain Adaptation via Structurally Regularized Deep Clustering [35.008158504090176]
  教師なし領域適応(Unsupervised domain adapt, UDA)とは、対象ドメイン上のラベルなしデータの予測であり、対象ドメインから分布がシフトするソースドメイン上のラベル付きデータである。 対象データの識別クラスタリングにより,本質的な対象識別を直接発見することを提案する。 我々は,提案手法をSRDC (Structurely Regularized Deep Clustering) と呼ぶ。
  論文  参考訳（メタデータ） (2020-03-19T07:26:41Z)

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。