論文の概要: Zero-shot Generalist Graph Anomaly Detection with Unified Neighborhood Prompts

• arxiv url: http://arxiv.org/abs/2410.14886v1
• Date: Fri, 18 Oct 2024 22:23:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:17:41.821427
• Title: Zero-shot Generalist Graph Anomaly Detection with Unified Neighborhood Prompts
• Title（参考訳）: 近傍の統一プロンプトによるゼロショット一般グラフ異常検出
• Authors: Chaoxi Niu, Hezhe Qiao, Changlu Chen, Ling Chen, Guansong Pang,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 21.05107001235223
• License:
• Abstract: Graph anomaly detection (GAD), which aims to identify nodes in a graph that significantly deviate from normal patterns, plays a crucial role in broad application domains. Existing GAD methods, whether supervised or unsupervised, are one-model-for-one-dataset approaches, i.e., training a separate model for each graph dataset. This limits their applicability in real-world scenarios where training on the target graph data is not possible due to issues like data privacy. To overcome this limitation, we propose a novel zero-shot generalist GAD approach UNPrompt that trains a one-for-all detection model, requiring the training of one GAD model on a single graph dataset and then effectively generalizing to detect anomalies in other graph datasets without any retraining or fine-tuning. The key insight in UNPrompt is that i) the predictability of latent node attributes can serve as a generalized anomaly measure and ii) highly generalized normal and abnormal graph patterns can be learned via latent node attribute prediction in a properly normalized node attribute space. UNPrompt achieves generalist GAD through two main modules: one module aligns the dimensionality and semantics of node attributes across different graphs via coordinate-wise normalization in a projected space, while another module learns generalized neighborhood prompts that support the use of latent node attribute predictability as an anomaly score across different datasets. Extensive experiments on real-world GAD datasets show that UNPrompt significantly outperforms diverse competing methods under the generalist GAD setting, and it also has strong superiority under the one-model-for-one-dataset setting.
• Abstract（参考訳）: 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識別することを目的としており、幅広いアプリケーションドメインにおいて重要な役割を果たす。 既存のGADメソッドは、教師付きでも教師なしでも、1つのモデル対1データセットのアプローチであり、グラフデータセットごとに個別のモデルをトレーニングする。 これにより、データプライバシなどの問題により、ターゲットグラフデータのトレーニングが不可能な現実シナリオでの適用性が制限される。 この制限を克服するために、新しいゼロショットジェネラリストGADアプローチUNPromptを提案する。これは、1つのグラフデータセット上で1つのGADモデルのトレーニングを必要とし、その後、トレーニングや微調整をすることなく、他のグラフデータセットの異常を検出するために効果的に一般化する。 UNPromptにおける重要な洞察は、 一 潜在ノード属性の予測可能性が一般化異常測度として機能し得ること。 二 高度に一般化された正規かつ異常なグラフパターンは、適切に正規化されたノード属性空間における潜在ノード属性予測によって学習することができる。 UNPromptは2つの主要なモジュールを通して一般のGADを達成している: 1つのモジュールは異なるグラフをまたいだノード属性の次元と意味を、投影された空間における座標ワイド正規化によって整列し、もう1つのモジュールは、異なるデータセットをまたいだ異常スコアとして潜在ノード属性予測可能性の使用をサポートする一般化された近傍プロンプトを学習する。 実世界のGADデータセットに対する大規模な実験により、UNPromptは一般GAD設定の下で様々な競合する手法を著しく上回り、また1モデル・フォー・ワン・データセット設定では強い優位性を持つことが示された。

関連論文リスト

• DA-MoE: Addressing Depth-Sensitivity in Graph-Level Analysis through Mixture of Experts [70.21017141742763]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データを処理することで人気を集めている。 既存のメソッドは通常、固定数のGNNレイヤを使用して、すべてのグラフの表現を生成する。 本稿では,GNNに2つの改良を加えたDA-MoE法を提案する。
  論文  参考訳（メタデータ） (2024-11-05T11:46:27Z)
• ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
  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。
  論文  参考訳（メタデータ） (2024-05-27T02:42:33Z)
• CGGM: A conditional graph generation model with adaptive sparsity for node anomaly detection in IoT networks [0.6974178500813132]
  本稿では,マイノリティクラスに属するサンプルを生成するために,CGGMと呼ばれる新しいグラフ生成モデルを提案する。 フレームワークは、条件付きグラフ生成モジュールとグラフベースの異常検出モジュールの2つのコアモジュールから構成される。 実験により、CGGMは精度とばらつきの点で最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-02-27T09:55:34Z)
• Generative Semi-supervised Graph Anomaly Detection [42.02691404704764]
  この研究は、グラフ内のノードの一部が正規であることが知られている、実用的な半教師付きグラフ異常検出(GAD)シナリオについて考察する。 我々は,通常のノードをよりよく活用するために,半教師付きシナリオのための新しいGAD手法(GGAD)を提案する。 GGADは、異常ノード(非対称な局所親和性と自中心的親密性)に関する2つの重要な先行情報を活用するように設計されている。
  論文  参考訳（メタデータ） (2024-02-19T06:55:50Z)
• ADAMM: Anomaly Detection of Attributed Multi-graphs with Metadata: A Unified Neural Network Approach [39.211176955683285]
  有向多重グラフを処理する新しいグラフニューラルネットワークモデルADAMMを提案する。 ADAMMは、教師なしの異常検出目的を通じてメタデータとグラフレベルの表現学習を融合する。
  論文  参考訳（メタデータ） (2023-11-13T14:19:36Z)
• 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)
• 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)
• Model Inversion Attacks against Graph Neural Networks [65.35955643325038]
  グラフニューラルネットワーク(GNN)に対するモデル反転攻撃について検討する。 本稿では,プライベートトレーニンググラフデータを推測するためにGraphMIを提案する。 実験の結果,このような防御効果は十分ではないことが示され,プライバシー攻撃に対するより高度な防御が求められている。
  論文  参考訳（メタデータ） (2022-09-16T09:13:43Z)
• Deep Graph-level Anomaly Detection by Glocal Knowledge Distillation [61.39364567221311]
  グラフレベルの異常検出(GAD)は、その構造やノードの特徴に異常なグラフを検出する問題を記述している。 GADの課題の1つは、局所的および大域的非正則グラフの検出を可能にするグラフ表現を考案することである。 本稿では,グラフとノード表現の連成ランダム蒸留により,グローバルおよびローカルな正規パターン情報を豊富に学習するGADのための新しい深部異常検出手法を提案する。
  論文  参考訳（メタデータ） (2021-12-19T05:04:53Z)
• Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification [59.06717774425588]
  本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。 出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。 本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2021-07-27T19:47:53Z)

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。