論文の概要: CurvGAD: Leveraging Curvature for Enhanced Graph Anomaly Detection

• arxiv url: http://arxiv.org/abs/2502.08605v1
• Date: Wed, 12 Feb 2025 17:49:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-13 13:49:42.065935
• Title: CurvGAD: Leveraging Curvature for Enhanced Graph Anomaly Detection
• Title（参考訳）: CurvGAD: 拡張グラフ異常検出のためのレバレッジ曲線
• Authors: Karish Grover, Geoffrey J. Gordon, Christos Faloutsos,
• Abstract要約: CurvGADは、曲率に基づく幾何学的異常の概念を導入する混合曲率グラフオートエンコーダである。 曲率を活用することで、CurvGADは既存の異常分類を洗練し、新しい曲率駆動の異常を識別する。
• 参考スコア（独自算出の注目度）: 23.643189106137008
• License:
• Abstract: Does the intrinsic curvature of complex networks hold the key to unveiling graph anomalies that conventional approaches overlook? Reconstruction-based graph anomaly detection (GAD) methods overlook such geometric outliers, focusing only on structural and attribute-level anomalies. To this end, we propose CurvGAD - a mixed-curvature graph autoencoder that introduces the notion of curvature-based geometric anomalies. CurvGAD introduces two parallel pipelines for enhanced anomaly interpretability: (1) Curvature-equivariant geometry reconstruction, which focuses exclusively on reconstructing the edge curvatures using a mixed-curvature, Riemannian encoder and Gaussian kernel-based decoder; and (2) Curvature-invariant structure and attribute reconstruction, which decouples structural and attribute anomalies from geometric irregularities by regularizing graph curvature under discrete Ollivier-Ricci flow, thereby isolating the non-geometric anomalies. By leveraging curvature, CurvGAD refines the existing anomaly classifications and identifies new curvature-driven anomalies. Extensive experimentation over 10 real-world datasets (both homophilic and heterophilic) demonstrates an improvement of up to 6.5% over state-of-the-art GAD methods.
• Abstract（参考訳）: 複雑なネットワークの内在的な曲率は、従来のアプローチが見落としているグラフ異常を明らかにする鍵を握るのだろうか? レコンストラクションに基づくグラフ異常検出(GAD)手法は、構造的および属性レベルの異常にのみ焦点をあてて、そのような幾何学的外乱を見落としている。 そこで本研究では,曲率に基づく幾何学的異常の概念を導入する混合曲率グラフオートエンコーダであるCurvGADを提案する。 CurvGADは2つの並列パイプラインを導入し,(1)混合曲率,リーマンエンコーダ,およびガウスカーネルベースデコーダを用いたエッジ曲率の再構成に特化した曲率-等変幾何再構成,(2)離散オリヴィエ・リッチ流下でグラフ曲率を規則化することにより構造的不規則性から構造的・属性的異常を分離する曲率-不変構造と属性再構成を導入し,非幾何学的異常を分離する。 曲率を活用することで、CurvGADは既存の異常分類を洗練し、新しい曲率駆動の異常を識別する。 10個の実世界のデータセット(ホモフィリックとヘテロフィリックの両方)に対する大規模な実験は、最先端のGAD法よりも最大6.5%改善したことを示している。

関連論文リスト

• Spectro-Riemannian Graph Neural Networks [39.901731107377095]
  キュアベチュア(幾何学)とスペクトラルインサイトを統合する最初のグラフ表現学習パラダイムを提案する。 Cusp Laplacian は、Ollivier-Ricci曲率に基づく伝統的なグラフ Laplacian の拡張である。 Cusp Poolingは階層的な注意機構であり、曲率ベースの位置符号化と組み合わせている。 8つのホモ親和性およびヘテロ親和性データセットに対する経験的評価は、ノード分類およびリンク予測タスクにおけるCUSPの優位性を示す。
  論文  参考訳（メタデータ） (2025-02-01T11:31:01Z)
• Revealing Decurve Flows for Generalized Graph Propagation [108.80758541147418]
  本研究は,有向グラフと重み付きグラフを用いて,m文を一般化した伝播を定義することによって,従来のメッセージパッシング(中心からグラフ学習)の限界に対処する。 この分野ではじめて、データセットにおける学習された伝播パターンの予備的な探索を含む。
  論文  参考訳（メタデータ） (2024-02-13T14:13:17Z)
• DeepRicci: Self-supervised Graph Structure-Feature Co-Refinement for Alleviating Over-squashing [72.70197960100677]
  グラフ構造学習(GSL)はグラフニューラルネットワーク(GNN)を改良したグラフで強化する上で重要な役割を果たしている。 GSLソリューションは、通常、タスク固有の監督(ノード分類)による構造改善に焦点を当てるか、GNN自体の固有の弱点を見落としている。 本稿では,典型的なGNNにおけるオーバー・スカッシングの問題を効果的に緩和する,自己教師付きグラフ構造-機能共分法について検討する。
  論文  参考訳（メタデータ） (2024-01-23T14:06:08Z)
• Curve Your Attention: Mixed-Curvature Transformers for Graph Representation Learning [77.1421343649344]
  本稿では,一定曲率空間の積を完全に操作するトランスフォーマーの一般化を提案する。 また、非ユークリッド注意に対するカーネル化されたアプローチを提供し、ノード数とエッジ数に線形に時間とメモリコストでモデルを実行できるようにします。
  論文  参考訳（メタデータ） (2023-09-08T02:44:37Z)
• How Curvature Enhance the Adaptation Power of Framelet GCNs [27.831929635701886]
  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のモデリングにおいて強力に実証されている。 本稿では,離散グラフリッチ曲率によるGNNの拡張手法を提案する。 曲率に基づくGNNモデルは、ホモフィリーグラフとヘテロフィリーグラフの両方において、最先端のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-07-19T06:05:33Z)
• Curvature-Independent Last-Iterate Convergence for Games on Riemannian Manifolds [77.4346324549323]
  本研究では, 多様体の曲率に依存しないステップサイズが, 曲率非依存かつ直線的最終点収束率を達成することを示す。 我々の知る限りでは、曲率非依存率や/または最終点収束の可能性はこれまでに検討されていない。
  論文  参考訳（メタデータ） (2023-06-29T01:20:44Z)
• Curved Geometric Networks for Visual Anomaly Recognition [39.91252195360767]
  データ分布の根底にある性質を理解するために潜伏埋め込みを学ぶことは、曲率ゼロのユークリッド空間でしばしば定式化される。 本研究では,データ中の異常やアウト・オブ・ディストリビューション・オブジェクトを解析するための曲線空間の利点について検討する。
  論文  参考訳（メタデータ） (2022-08-02T01:15:39Z)
• Curvature Graph Generative Adversarial Networks [31.763904668737304]
  GAN(Generative Adversarial Network)は,グラフデータの一般化と堅牢な学習に広く利用されている。 既存のGANグラフ表現法は、離散空間におけるランダムウォークやトラバースによって負のサンプルを生成する。 CurvGANは、複数のタスクにまたがる最先端のメソッドよりも一貫して、大幅に優れています。
  論文  参考訳（メタデータ） (2022-03-03T10:00:32Z)
• Gauge Equivariant Mesh CNNs: Anisotropic convolutions on geometric graphs [81.12344211998635]
  メッシュ上の畳み込みを定義する一般的なアプローチは、それらをグラフとして解釈し、グラフ畳み込みネットワーク(GCN)を適用することである。 本稿では、GCNを一般化して異方性ゲージ同変カーネルを適用するGauge Equivariant Mesh CNNを提案する。 本実験は,従来のGCNおよび他の手法と比較して,提案手法の表現性を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2020-03-11T17:21:15Z)
• Understanding Graph Neural Networks with Generalized Geometric Scattering Transforms [67.88675386638043]
  散乱変換は、畳み込みニューラルネットワークのモデルとして機能する多層ウェーブレットベースのディープラーニングアーキテクチャである。 非対称ウェーブレットの非常に一般的なクラスに基づくグラフに対して、窓付きおよび非窓付き幾何散乱変換を導入する。 これらの非対称グラフ散乱変換は、対称グラフ散乱変換と多くの理論的保証を持つことを示す。
  論文  参考訳（メタデータ） (2019-11-14T17:23:06Z)

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。