論文の概要: AnomalyGFM: Graph Foundation Model for Zero/Few-shot Anomaly Detection

• arxiv url: http://arxiv.org/abs/2502.09254v1
• Date: Thu, 13 Feb 2025 12:10:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-14 13:49:47.229565
• Title: AnomalyGFM: Graph Foundation Model for Zero/Few-shot Anomaly Detection
• Title（参考訳）: AnomalyGFM:Zero/Few-shot 異常検出のためのグラフ基礎モデル
• Authors: Hezhe Qiao, Chaoxi Niu, Ling Chen, Guansong Pang,
• Abstract要約: AnomalyGFMは、GADのためのゼロショット推論と少数ショットプロンプトチューニングをサポートするグラフ基盤モデルである。 AnomalyGFMは、ゼロショットと少数ショットのGAD設定の両方で、最先端の競合手法よりも大幅に優れていることを示す。
• 参考スコア（独自算出の注目度）: 22.584555292512427
• License:
• Abstract: Graph anomaly detection (GAD) aims to identify abnormal nodes that differ from the majority of the nodes in a graph, which has been attracting significant attention in recent years. Existing generalist graph models have achieved remarkable success in different graph tasks but struggle to generalize to the GAD task. This limitation arises from their difficulty in learning generalized knowledge for capturing the inherently infrequent, irregular and heterogeneous abnormality patterns in graphs from different domains. To address this challenge, we propose AnomalyGFM, a GAD-oriented graph foundation model that supports zero-shot inference and few-shot prompt tuning for GAD in diverse graph datasets. One key insight is that graph-agnostic representations for normal and abnormal classes are required to support effective zero/few-shot GAD across different graphs. Motivated by this, AnomalyGFM is pre-trained to align data-independent, learnable normal and abnormal class prototypes with node representation residuals (i.e., representation deviation of a node from its neighbors). The residual features essentially project the node information into a unified feature space where we can effectively measure the abnormality of nodes from different graphs in a consistent way. This provides a driving force for the learning of graph-agnostic, discriminative prototypes for the normal and abnormal classes, which can be used to enable zero-shot GAD on new graphs, including very large-scale graphs. If there are few-shot labeled normal nodes available in the new graphs, AnomalyGFM can further support prompt tuning to leverage these nodes for better adaptation. Comprehensive experiments on 11 widely-used GAD datasets with real anomalies, demonstrate that AnomalyGFM significantly outperforms state-of-the-art competing methods under both zero- and few-shot GAD settings.
• Abstract（参考訳）: グラフ異常検出(GAD)は、近年注目されているグラフのノードの大部分とは異なる異常ノードを特定することを目的としている。 既存の一般グラフモデルは、異なるグラフタスクにおいて顕著な成功を収めたが、GADタスクへの一般化に苦慮している。 この制限は、異なる領域からのグラフの自然に稀で不規則で不均一な異常パターンを捉えるための一般化された知識の習得が困難であることから生じる。 この課題に対処するため,多種多様なグラフデータセットにおけるGADのゼロショット推論と少数ショットプロンプトチューニングをサポートするGAD指向グラフ基盤モデルであるAnomalyGFMを提案する。 1つの重要な洞察は、グラフに依存しない正規クラスと異常クラスの表現は、異なるグラフをまたいだ効率的なゼロ/フェーショットGADをサポートするために必要であるということである。 これを動機として、AnomalyGFMは、ノード表現残差(すなわち、ノードを隣接ノードから逸脱させる)でデータ非依存、学習可能な正規および異常なクラスプロトタイプを整列するように事前訓練される。 残像は基本的にノード情報を統一された特徴空間に投影し、異なるグラフからのノードの異常を一貫した方法で効果的に測定することができる。 これは、グラフに依存しない、正規クラスと異常クラスに対する識別的プロトタイプの学習の原動力となり、非常に大規模なグラフを含む新しいグラフ上でゼロショットGADを可能にするのに使用できる。 新しいグラフにラベル付き正規ノードがほとんどない場合、AnomalyGFMはさらにプロンプトチューニングをサポートし、これらのノードを活用して適応性を高めることができる。 実際の異常を伴う11の広く使用されているGADデータセットに関する総合的な実験では、AnomalyGFMがゼロショットGAD設定と少数ショットGAD設定の両方で最先端の競合メソッドを著しく上回っていることが示されている。

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)
• Zero-shot Generalist Graph Anomaly Detection with Unified Neighborhood Prompts [21.05107001235223]
  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。
  論文  参考訳（メタデータ） (2024-10-18T22:23:59Z)
• 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)
• 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)
• 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)
• Cross-Domain Graph Anomaly Detection via Anomaly-aware Contrastive Alignment [22.769474986808113]
  クロスドメイングラフ異常検出(CD-GAD)は、非競合対象グラフにおける異常ノードを検出する問題を記述する。 本稿では,GADのための新しいドメイン適応手法,すなわちAnomaly-aware ContrastivealignedmenT (ACT)を導入する。 ACTは10種類の最先端GAD法で検出性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2022-12-02T11:21:48Z)
• 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)
• Structural Temporal Graph Neural Networks for Anomaly Detection in Dynamic Graphs [54.13919050090926]
  本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。 特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。 抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
  論文  参考訳（メタデータ） (2020-05-15T09:17:08Z)

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。