論文の概要: Hyperedge Anomaly Detection with Hypergraph Neural Network

• arxiv url: http://arxiv.org/abs/2412.05641v1
• Date: Sat, 07 Dec 2024 12:52:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-10 14:56:31.400112
• Title: Hyperedge Anomaly Detection with Hypergraph Neural Network
• Title（参考訳）: ハイパーグラフニューラルネットワークを用いたハイパーエッジ異常検出
• Authors: Md. Tanvir Alam, Chowdhury Farhan Ahmed, Carson K. Leung,
• Abstract要約: 本稿では,ハイパーグラフ内の異常関連を識別するための,エンドツーエンドのハイパーグラフニューラルネットワークモデルを提案する。 提案アルゴリズムはラベル付きデータを必要とせずに教師なしで動作する。
• 参考スコア（独自算出の注目度）: 0.08192907805418582
• License:
• Abstract: Hypergraph is a data structure that enables us to model higher-order associations among data entities. Conventional graph-structured data can represent pairwise relationships only, whereas hypergraph enables us to associate any number of entities, which is essential in many real-life applications. Hypergraph learning algorithms have been well-studied for numerous problem settings, such as node classification, link prediction, etc. However, much less research has been conducted on anomaly detection from hypergraphs. Anomaly detection identifies events that deviate from the usual pattern and can be applied to hypergraphs to detect unusual higher-order associations. In this work, we propose an end-to-end hypergraph neural network-based model for identifying anomalous associations in a hypergraph. Our proposed algorithm operates in an unsupervised manner without requiring any labeled data. Extensive experimentation on several real-life datasets demonstrates the effectiveness of our model in detecting anomalous hyperedges.
• Abstract（参考訳）: Hypergraphはデータエンティティ間の高次関連をモデル化するデータ構造である。 従来のグラフ構造化データではペア関係のみを表現できるが、ハイパーグラフでは複数のエンティティを関連付けることができる。 ハイパーグラフ学習アルゴリズムは、ノード分類やリンク予測など、多くの問題設定のためによく研究されている。 しかし、ハイパーグラフからの異常検出に関する研究は、はるかに少ない。 異常検出は、通常のパターンから外れた事象を特定し、ハイパーグラフに適用して異常な高次関連を検出する。 本研究では,ハイパーグラフ内の異常関連を識別するエンドツーエンドのハイパーグラフニューラルネットワークモデルを提案する。 提案アルゴリズムはラベル付きデータを必要とせずに教師なしで動作する。 いくつかの実生活データセットに対する大規模な実験は、異常なハイパーエッジの検出における我々のモデルの有効性を示す。

関連論文リスト

• SPHINX: Structural Prediction using Hypergraph Inference Network [19.853413818941608]
  本稿では,非教師付き手法で遅延ハイパーグラフ構造を推論するモデルであるハイパーグラフ推論ネットワーク(SPHINX)を用いた構造予測を提案する。 k-サブセットサンプリングの最近の進歩は、離散ハイパーグラフ構造を生成するのに適したツールであることを示す。 結果として得られるモデルは、現代のハイパーグラフニューラルネットワークに必要な高次構造を生成することができる。
  論文  参考訳（メタデータ） (2024-10-04T07:49:57Z)
• 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)
• Hypergraph Transformer for Semi-Supervised Classification [50.92027313775934]
  我々は新しいハイパーグラフ学習フレームワークHyperGraph Transformer(HyperGT)を提案する。 HyperGTはTransformerベースのニューラルネットワークアーキテクチャを使用して、すべてのノードとハイパーエッジのグローバル相関を効果的に検討する。 局所接続パターンを保ちながら、グローバルな相互作用を効果的に組み込むことで、包括的なハイパーグラフ表現学習を実現する。
  論文  参考訳（メタデータ） (2023-12-18T17:50:52Z)
• Hypergraph Structure Inference From Data Under Smoothness Prior [46.568839316694515]
  本稿では,ラベル付きデータを監視対象とせずに,潜在的なハイパーエッジの確率を推定する手法を提案する。 本稿では,この手法を用いてハイパーグラフ構造とノード特徴の関係を確率論的モデリングにより導出する。 本手法は,既存のハイパーグラフ構造推定法よりも効率的にデータから有意義なハイパーグラフ構造を学習できることを示す。
  論文  参考訳（メタデータ） (2023-08-27T18:28:58Z)
• 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)
• From Hypergraph Energy Functions to Hypergraph Neural Networks [94.88564151540459]
  パラメータ化されたハイパーグラフ正規化エネルギー関数の表現型族を示す。 次に、これらのエネルギーの最小化がノード埋め込みとして効果的に機能することを実証する。 提案した双レベルハイパーグラフ最適化と既存のGNNアーキテクチャを共通的に用いている。
  論文  参考訳（メタデータ） (2023-06-16T04:40:59Z)
• Equivariant Hypergraph Diffusion Neural Operators [81.32770440890303]
  ハイパーグラフを符号化するためにニューラルネットワークを使用するハイパーグラフニューラルネットワーク(HNN)は、データの高次関係をモデル化する有望な方法を提供する。 本研究ではED-HNNと呼ばれる新しいHNNアーキテクチャを提案する。 実世界の9つのハイパーグラフデータセットのノード分類におけるED-HNNの評価を行った。
  論文  参考訳（メタデータ） (2022-07-14T06:17:00Z)
• Message Passing Neural Networks for Hypergraphs [6.999112784624749]
  本稿では,ハイパーグラフ構造データを処理可能なメッセージパッシングに基づく,最初のグラフニューラルネットワークを提案する。 提案モデルでは,ハイパーグラフのためのニューラルネットワークモデルの設計空間が定義され,既存のハイパーグラフモデルが一般化されることを示す。
  論文  参考訳（メタデータ） (2022-03-31T12:38:22Z)
• Hypergraph Convolutional Networks via Equivalency between Hypergraphs and Undirected Graphs [59.71134113268709]
  本稿では,EDVWおよびEIVWハイパーグラフを処理可能な一般学習フレームワークであるGeneral Hypergraph Spectral Convolution(GHSC)を提案する。 本稿では,提案するフレームワークが最先端の性能を達成できることを示す。 ソーシャルネットワーク分析,視覚的客観的分類,タンパク質学習など,様々な分野の実験により,提案手法が最先端の性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2022-03-31T10:46:47Z)
• Love tHy Neighbour: Remeasuring Local Structural Node Similarity in Hypergraph-Derived Networks [2.246222223318928]
  ノードペア間のハイパーグラフ指向の類似度スコアを複数提案する。 グラフトポロジーに基づくスコアをハイパーグラフに拡張するための理論的定式化を提供する。
  論文  参考訳（メタデータ） (2021-10-30T14:12:58Z)
• Generative hypergraph clustering: from blockmodels to modularity [26.99290024958576]
  異質なノード度とエッジサイズを持つクラスタ化ハイパーグラフの表現的生成モデルを提案する。 我々は,100万ノードの合成ハイパーグラフを用いた実験など,ハイパーグラフ・ルーバインは高度にスケーラブルであることを示す。 このモデルを用いて,学校連絡ネットワークにおける高次構造の異なるパターン,米国議会法案共同提案,米国議会委員会,共同購入行動における製品カテゴリ,ホテルロケーションを分析した。
  論文  参考訳（メタデータ） (2021-01-24T00:25:22Z)

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。