論文の概要: SpaceGNN: Multi-Space Graph Neural Network for Node Anomaly Detection with Extremely Limited Labels

• arxiv url: http://arxiv.org/abs/2502.03201v1
• Date: Wed, 05 Feb 2025 14:21:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-06 14:26:57.201366
• Title: SpaceGNN: Multi-Space Graph Neural Network for Node Anomaly Detection with Extremely Limited Labels
• Title（参考訳）: SpaceGNN:極端に制限されたラベルを用いたノード異常検出のためのマルチスペースグラフニューラルネットワーク
• Authors: Xiangyu Dong, Xingyi Zhang, Lei Chen, Mingxuan Yuan, Sibo Wang,
• Abstract要約: Node Anomaly Detection (NAD)は、現実世界のシナリオにおける多様な応用のために、ディープラーニングコミュニティで大きな注目を集めている。 従来の手法では、合成データを利用して補助情報を収集する傾向があり、これは有効な解決策ではない。 NADタスクを極端に限定した新しいSpaceGNNモデルを提案する。
• 参考スコア（独自算出の注目度）: 14.97927835218024
• License:
• Abstract: Node Anomaly Detection (NAD) has gained significant attention in the deep learning community due to its diverse applications in real-world scenarios. Existing NAD methods primarily embed graphs within a single Euclidean space, while overlooking the potential of non-Euclidean spaces. Besides, to address the prevalent issue of limited supervision in real NAD tasks, previous methods tend to leverage synthetic data to collect auxiliary information, which is not an effective solution as shown in our experiments. To overcome these challenges, we introduce a novel SpaceGNN model designed for NAD tasks with extremely limited labels. Specifically, we provide deeper insights into a task-relevant framework by empirically analyzing the benefits of different spaces for node representations, based on which, we design a Learnable Space Projection function that effectively encodes nodes into suitable spaces. Besides, we introduce the concept of weighted homogeneity, which we empirically and theoretically validate as an effective coefficient during information propagation. This concept inspires the design of the Distance Aware Propagation module. Furthermore, we propose the Multiple Space Ensemble module, which extracts comprehensive information for NAD under conditions of extremely limited supervision. Our findings indicate that this module is more beneficial than data augmentation techniques for NAD. Extensive experiments conducted on 9 real datasets confirm the superiority of SpaceGNN, which outperforms the best rival by an average of 8.55% in AUC and 4.31% in F1 scores. Our code is available at https://github.com/xydong127/SpaceGNN.
• Abstract（参考訳）: Node Anomaly Detection (NAD)は、現実世界のシナリオにおける多様な応用のために、ディープラーニングコミュニティで大きな注目を集めている。 既存のNAD法は主に1つのユークリッド空間にグラフを埋め込むが、非ユークリッド空間のポテンシャルを見下ろしている。 さらに,実際のNADタスクにおける限定的な監督の問題に対処するため,従来の手法では,合成データを利用して補助情報を収集する傾向があり,これは本実験で示されたような効果的な解決方法ではない。 これらの課題を克服するために、極端に限られたラベルを持つNADタスク用に設計された新しいSpaceGNNモデルを導入する。 具体的には、ノード表現に対する異なる空間の利点を実証的に分析することにより、タスク関連フレームワークに対する深い洞察を提供し、それに基づいて、ノードを適切な空間に効果的にエンコードするLearningable Space Projection関数を設計する。 さらに,情報伝達における有効係数として実証的,理論的に検証する重み付き均質性の概念を導入する。 この概念は、Distance Aware Propagationモジュールの設計を刺激する。 さらに,極端に限られた監督条件下でNADの包括的情報を抽出するMultiple Space Ensembleモジュールを提案する。 このモジュールはNADのデータ増強技術よりも有益であることが示唆された。 9つの実際のデータセットで実施された大規模な実験により、SpaceGNNの優位性が確認され、AUCでは平均8.55%、F1では4.31%で最高のライバルを上回った。 私たちのコードはhttps://github.com/xydong127/SpaceGNNで利用可能です。

関連論文リスト

• SmoothGNN: Smoothing-aware GNN for Unsupervised Node Anomaly Detection [14.1365182085686]
  個別平滑化パターン(ISP)と近隣平滑化パターン(NSP)を紹介する。 ISPとNSPは、異常ノードの表現が通常のノードよりもスムーズであることを示している。 これらの知見に触発されて,新しいノード異常検出フレームワークであるSmoothGNNを提案する。
  論文  参考訳（メタデータ） (2024-05-27T14:23:30Z)
• FFEINR: Flow Feature-Enhanced Implicit Neural Representation for Spatio-temporal Super-Resolution [4.577685231084759]
  本稿では,フローフィールドデータの超高分解能化のための特徴強調型ニューラルインシシット表現(FFEINR)を提案する。 モデル構造とサンプリング分解能の観点から、暗黙のニューラル表現を最大限に活用することができる。 FFEINRのトレーニングプロセスは、入力層に機能拡張を導入することで容易になる。
  論文  参考訳（メタデータ） (2023-08-24T02:28:18Z)
• Efficient GNN Explanation via Learning Removal-based Attribution [56.18049062940675]
  本稿では,LARA (LeArn removal-based Attribution) というGNN説明の枠組みを提案し,この問題に対処する。 LARAの解説者は、高い忠実度で説明を提供することができる除去に基づく属性を生成することを学ぶ。 特に、LARAは3.5倍高速で、大きなデータセットogbn-arxivの最先端の手法よりも忠実である。
  論文  参考訳（メタデータ） (2023-06-09T08:54:20Z)
• Combating Mode Collapse in GANs via Manifold Entropy Estimation [70.06639443446545]
  Generative Adversarial Networks (GAN) は、様々なタスクやアプリケーションにおいて魅力的な結果を示している。 GANのモード崩壊問題に対処するための新しいトレーニングパイプラインを提案する。
  論文  参考訳（メタデータ） (2022-08-25T12:33:31Z)
• EIGNN: Efficient Infinite-Depth Graph Neural Networks [51.97361378423152]
  グラフニューラルネットワーク(GNN)は多くのアプリケーションでグラフ構造化データのモデリングに広く利用されている。 この制限により、無限深度GNNモデルを提案し、これをEIGNN(Efficient Infinite-Depth Graph Neural Networks)と呼ぶ。 EIGNNは、最近のベースラインよりも長距離依存関係をキャプチャする能力が優れており、常に最先端のパフォーマンスを実現していることを示す。
  論文  参考訳（メタデータ） (2022-02-22T08:16:58Z)
• GAN Based Boundary Aware Classifier for Detecting Out-of-distribution Samples [24.572516991009323]
  本稿では,ほとんどのIDデータのみを含む閉じたハイパースペースを生成するためのGANベースの境界認識分類器(GBAC)を提案する。 本手法は, 従来のニューラルネットが, 未閉鎖領域として特徴空間を分離し, オード検出に適さない。 GBACを補助モジュールとして、閉じたハイパースペースの外に分散されたoodデータは、より低いスコアで割り当てられ、より効果的なood検出が可能になる。
  論文  参考訳（メタデータ） (2021-12-22T03:35:54Z)
• Exploring the Common Principal Subspace of Deep Features in Neural Networks [50.37178960258464]
  我々は、同じデータセットでトレーニングされた異なるディープニューラルネットワーク(DNN)が、潜在空間において共通の主部分空間を共有することを発見した。 具体的には、DNNで学んだ深い機能の主部分空間を表すために、$mathcalP$-vectorを新たに設計する。 異なるアルゴリズム/アーキテクチャで訓練された2つのDNNの比較では、小さな角度(コサインが1.0ドルに近い)が見つかっている。
  論文  参考訳（メタデータ） (2021-10-06T15:48:32Z)
• Pure Exploration in Kernel and Neural Bandits [90.23165420559664]
  我々は、特徴表現の次元が腕の数よりもはるかに大きい帯域における純粋な探索について研究する。 そこで本研究では,各アームの特徴表現を低次元空間に適応的に埋め込む手法を提案する。
  論文  参考訳（メタデータ） (2021-06-22T19:51:59Z)
• EXoN: EXplainable encoder Network [0.0]
  説明可能エンコーダネットワーク(EXoN)により説明可能な潜在空間が得られる変分オートエンコーダ(VAE)の半教師付き学習手法を提案する。 負のクロスエントロピーとクルバック・リーバーの発散は説明可能な潜在空間を構成する上で重要な役割を果たす。
  論文  参考訳（メタデータ） (2021-05-23T07:04:30Z)
• Joint and Progressive Subspace Analysis (JPSA) with Spatial-Spectral Manifold Alignment for Semi-Supervised Hyperspectral Dimensionality Reduction [48.73525876467408]
  本稿では,超スペクトル部分空間解析のための新しい手法を提案する。 この手法はジョイント・アンド・プログレッシブ・サブスペース分析(JPSA)と呼ばれる。 2つの広帯域超スペクトルデータセットに対して提案したJPSAの優位性と有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2020-09-21T16:29:59Z)

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。