論文の概要: Semi-supervised Anomaly Detection with Extremely Limited Labels in Dynamic Graphs

• arxiv url: http://arxiv.org/abs/2501.15035v1
• Date: Sat, 25 Jan 2025 02:35:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:55:37.326629
• Title: Semi-supervised Anomaly Detection with Extremely Limited Labels in Dynamic Graphs
• Title（参考訳）: 動的グラフにおける極小ラベルを用いた半教師付き異常検出
• Authors: Jiazhen Chen, Sichao Fu, Zheng Ma, Mingbin Feng, Tony S. Wirjanto, Qinmu Peng,
• Abstract要約: ラベルが極端に制限された動的グラフにおける異常検出問題に対処する新しいGADフレームワーク(EL$2-DGAD)を提案する。 具体的には、変圧器をベースとしたグラフエンコーダモデルにより、局所的な近傍を超えて進化するグラフ構造をより効果的に保存するように設計されている。
• 参考スコア（独自算出の注目度）: 5.415950005432774
• License:
• Abstract: Semi-supervised graph anomaly detection (GAD) has recently received increasing attention, which aims to distinguish anomalous patterns from graphs under the guidance of a moderate amount of labeled data and a large volume of unlabeled data. Although these proposed semi-supervised GAD methods have achieved great success, their superior performance will be seriously degraded when the provided labels are extremely limited due to some unpredictable factors. Besides, the existing methods primarily focus on anomaly detection in static graphs, and little effort was paid to consider the continuous evolution characteristic of graphs over time (dynamic graphs). To address these challenges, we propose a novel GAD framework (EL$^{2}$-DGAD) to tackle anomaly detection problem in dynamic graphs with extremely limited labels. Specifically, a transformer-based graph encoder model is designed to more effectively preserve evolving graph structures beyond the local neighborhood. Then, we incorporate an ego-context hypersphere classification loss to classify temporal interactions according to their structure and temporal neighborhoods while ensuring the normal samples are mapped compactly against anomalous data. Finally, the above loss is further augmented with an ego-context contrasting module which utilizes unlabeled data to enhance model generalization. Extensive experiments on four datasets and three label rates demonstrate the effectiveness of the proposed method in comparison to the existing GAD methods.
• Abstract（参考訳）: 半教師付きグラフ異常検出(GAD)は近年注目されており、中程度のラベル付きデータと大量のラベルなしデータの誘導の下で、グラフから異常パターンを識別することを目的としている。 これらの半教師付きGAD法は大きな成功をおさめたが、いくつかの予測不可能な要因のために提供されたラベルが極めて限定されている場合、その優れた性能は著しく低下する。 さらに、既存の手法は主に静的グラフの異常検出に重点を置いており、時間の経過とともにグラフの連続的な進化特性(動的グラフ)を考えるのにはほとんど努力を払わなかった。 これらの課題に対処するため、非常に限られたラベルを持つ動的グラフにおける異常検出問題に対処する新しいGADフレームワーク(EL$^{2}$-DGAD)を提案する。 具体的には、変圧器をベースとしたグラフエンコーダモデルにより、局所的な近傍を超えて進化するグラフ構造をより効果的に保存するように設計されている。 そして,エゴコンテキストのハイパースフィア分類損失を組み込んで,その構造や時間的近傍に応じて時間的相互作用を分類し,通常のサンプルを異常データに対してコンパクトにマッピングする。 最後に、この損失を、ラベルのないデータを用いてモデル一般化を強化するエゴコンテキストコントラストモジュールでさらに強化する。 4つのデータセットと3つのラベルレートに関する大規模な実験は、既存のGAD法と比較して提案手法の有効性を実証している。

関連論文リスト

• UMGAD: Unsupervised Multiplex Graph Anomaly Detection [40.17829938834783]
  UMGADと呼ばれる新しい教師なし多重グラフ異常検出法を提案する。 我々はまず、多重異種グラフにおけるノード間の多重相関関係を学習する。 そして、ノイズや冗長な情報が異常情報抽出に与える影響を弱めるために、属性レベルおよびサブグラフレベルの拡張ビューグラフを生成する。
  論文  参考訳（メタデータ） (2024-11-19T15:15:45Z)
• 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)
• Guarding Graph Neural Networks for Unsupervised Graph Anomaly Detection [16.485082741239808]
  教師なしグラフ異常検出は、ラベルを使わずにグラフの多数から逸脱する稀なパターンを特定することを目的としている。 近年,グラフニューラルネットワーク(GNN)を用いて効率的なノード表現を学習している。 教師なしグラフ異常検出(G3AD)のためのグラフニューラルネットワークのガードフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-25T07:09:05Z)
• 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)
• Few-shot Message-Enhanced Contrastive Learning for Graph Anomaly Detection [15.757864894708364]
  グラフ異常検出は、多数派から大きく逸脱するグラフデータの例外的なインスタンスを特定する上で重要な役割を果たす。 我々はFMGADと呼ばれる新しい数ショットグラフ異常検出モデルを提案する。 FMGADは, 人工的に注入された異常やドメイン・有機異常によらず, 他の最先端手法よりも優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2023-11-17T07:49:20Z)
• Towards Self-Interpretable Graph-Level Anomaly Detection [73.1152604947837]
  グラフレベルの異常検出(GLAD)は、コレクションの大多数と比べて顕著な相違を示すグラフを識別することを目的としている。 本稿では,異常なグラフを検出し,同時に情報的説明を生成する自己解釈グラフaNomaly dETectionモデル(SIGNET)を提案する。
  論文  参考訳（メタデータ） (2023-10-25T10:10:07Z)
• 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)
• SAD: Semi-Supervised Anomaly Detection on Dynamic Graphs [11.819993729810257]
  異常検出は、良性例の大多数と大きく異なる異常例を区別することを目的としている。 グラフニューラルネットワークは、異常検出問題に取り組むことで、ますます人気が高まっている。 動的グラフ上での異常検出のためのエンドツーエンドフレームワークである半教師付き異常検出(SAD)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T01:05:34Z)
• DAGAD: Data Augmentation for Graph Anomaly Detection [57.92471847260541]
  本稿では、属性グラフのための新しいデータ拡張ベースのグラフ異常検出(DAGAD)フレームワークを考案する。 3つのデータセットに関する一連の実験は、DAGADが様々な主に使用されるメトリクスに関して、10の最先端のベースライン検出器より優れていることを証明している。
  論文  参考訳（メタデータ） (2022-10-18T11:28:21Z)
• 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)

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。