論文の概要: Graph Anomaly Detection via Adaptive Test-time Representation Learning across Out-of-Distribution Domains

• arxiv url: http://arxiv.org/abs/2502.14293v1
• Date: Thu, 20 Feb 2025 06:14:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-21 14:28:35.640415
• Title: Graph Anomaly Detection via Adaptive Test-time Representation Learning across Out-of-Distribution Domains
• Title（参考訳）: 分布外領域間の適応的テスト時間表現学習によるグラフ異常検出
• Authors: Delaram Pirhayati, Arlei Silva,
• Abstract要約: AdaGraph-T3は、クロスドメイングラフ異常検出(GAD)のためのテスト時間トレーニングフレームワークである。 AdaGraph-T3は、自己教師付き学習のみを使用して、テスト期間中に新しいドメインに適応しながら、トレーニング中の教師付き学習と自己教師付き学習を組み合わせる。 本フレームワークでは,メッセージパッシング時のエッジ重要度を動的に学習する効果的なセルフスーパービジョンスキーム,異種機能を扱うドメイン固有エンコーダ,不均衡に対処するためのクラス認識正規化という,ドメイン間GADの4つの重要なイノベーションを紹介している。
• 参考スコア（独自算出の注目度）: 5.655251163654288
• License:
• Abstract: Graph Anomaly Detection (GAD) has demonstrated great effectiveness in identifying unusual patterns within graph-structured data. However, while labeled anomalies are often scarce in emerging applications, existing supervised GAD approaches are either ineffective or not applicable when moved across graph domains due to distribution shifts and heterogeneous feature spaces. To address these challenges, we present AdaGraph-T3, a novel test-time training framework for cross-domain GAD. AdaGraph-T3 combines supervised and self-supervised learning during training while adapting to a new domain during test time using only self-supervised learning by leveraging a homophily-based affinity score that captures domain-invariant properties of anomalies. Our framework introduces four key innovations to cross-domain GAD: an effective self-supervision scheme, an attention-based mechanism that dynamically learns edge importance weights during message passing, domain-specific encoders for handling heterogeneous features, and class-aware regularization to address imbalance. Experiments across multiple cross-domain settings demonstrate that AdaGraph-T3 significantly outperforms existing approaches, achieving average improvements of over 6.6% in AUROC and 7.9% in AUPRC compared to the best competing model.
• Abstract（参考訳）: グラフ異常検出(GAD)は,グラフ構造化データ中の異常パターンを同定する上で,極めて有効であることを示す。 しかし、ラベル付き異常はしばしば新興アプリケーションでは不足するが、既存の監督型GADアプローチは分散シフトや不均一な特徴空間のためにグラフ領域を移動する際に非効率または適用できない。 これらの課題に対処するため、クロスドメインGADのための新しいテストタイムトレーニングフレームワークであるAdaGraph-T3を紹介します。 AdaGraph-T3は、テスト期間中に新しいドメインに適応しながら、トレーニング中に教師付き学習と自己教師付き学習を組み合わせる。 本フレームワークでは,メッセージパッシング時のエッジ重要度を動的に学習する効果的なセルフスーパービジョンスキーム,異種機能を扱うドメイン固有エンコーダ,不均衡に対処するためのクラス認識正規化という,ドメイン間GADの4つの重要なイノベーションを紹介している。 複数のクロスドメイン環境での実験では、AdaGraph-T3が既存のアプローチよりも大幅に優れており、AUROCでは6.6%、AUPRCでは7.9%の平均的な改善を実現している。

関連論文リスト

• Towards Cross-domain Few-shot Graph Anomaly Detection [6.732699844225434]
  ソースとターゲットドメイン間のデータ分散の相違により、クロスドメインの少数ショットグラフ異常検出(GAD)は簡単ではない。 我々は,上記の課題に対処するために,CDFS-GADと呼ばれるシンプルで効果的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-11T08:47:25Z)
• GraphLoRA: Structure-Aware Contrastive Low-Rank Adaptation for Cross-Graph Transfer Learning [17.85404473268992]
  グラフニューラルネットワーク(GNN)は、様々なグラフ解析タスクを扱うのに顕著な習熟度を示した。 汎用性にもかかわらず、GNNはトランスファービリティにおいて重大な課題に直面し、現実のアプリケーションでの利用を制限している。 グラフ領域によく訓練されたGNNを転送するための有効かつパラメータ効率のよいGraphLoRAを提案する。
  論文  参考訳（メタデータ） (2024-09-25T06:57:42Z)
• SPA: A Graph Spectral Alignment Perspective for Domain Adaptation [41.89873161315133]
  教師なしドメイン適応(Unsupervised domain adapt, UDA)は、データ分布が異なる特定のターゲットドメインにドメインモデルを拡張するための機械学習における重要な形式である。 それまでのほとんどの研究はドメイン間の転送可能性の獲得に重点を置いていたが、ドメイン内のリッチな構造を見落としている。 トレードオフに対処するための新しいグラフスペクトラルアライメント(SPA)フレームワークを導入する。
  論文  参考訳（メタデータ） (2023-10-26T17:13:48Z)
• GAD-NR: Graph Anomaly Detection via Neighborhood Reconstruction [34.82023223790515]
  グラフオートエンコーダ(GAE)はグラフデータをノード表現にエンコードし、これらの表現に基づいてグラフの再構成品質を評価することで異常を識別する。 グラフ異常検出のための近傍再構成を組み込んだ新しいGAEであるGAD-NRを提案する。 6つの実世界のデータセットで実施された大規模な実験は、GAD-NRの有効性を検証し、最先端の競合相手よりも顕著な改善(AUCでは最大30%)を示す。
  論文  参考訳（メタデータ） (2023-06-02T23:23:34Z)
• Manifold-Aware Self-Training for Unsupervised Domain Adaptation on Regressing 6D Object Pose [69.14556386954325]
  視覚的回帰における合成データと実データとのドメインギャップは,グローバルな特徴アライメントと局所的な改善によって橋渡しされる。 提案手法は明示的な自己教師付き多様体正規化を取り入れ,領域間の一貫した累積的対象依存性を明らかにする。 暗黙的ニューラルファンクションを学習して、最も近いクラスビンへの相対的な方向と目標の距離を推定し、ターゲット分類予測を洗練することを目的としている。
  論文  参考訳（メタデータ） (2023-05-18T08:42:41Z)
• Improving Domain Generalization with Domain Relations [77.63345406973097]
  本稿では、モデルがトレーニングされたドメインと異なる新しいドメインに適用されたときに発生するドメインシフトに焦点を当てる。 ドメイン固有モデルを学習するためのD$3$Gという新しい手法を提案する。 以上の結果から,D$3$Gは最先端の手法より一貫して優れていた。
  論文  参考訳（メタデータ） (2023-02-06T08:11:16Z)
• Unsupervised Domain Adaptive 3D Detection with Multi-Level Consistency [90.71745178767203]
  ディープラーニングに基づく3Dオブジェクト検出は、大規模な自律走行データセットの出現によって、前例のない成功を収めた。 既存の3Dドメイン適応検出手法は、しばしばターゲットのドメインアノテーションへの事前アクセスを前提とします。 我々は、ソースドメインアノテーションのみを利用する、より現実的な、教師なしの3Dドメイン適応検出について研究する。
  論文  参考訳（メタデータ） (2021-07-23T17:19:23Z)
• Cross-Domain Facial Expression Recognition: A Unified Evaluation Benchmark and Adversarial Graph Learning [85.6386289476598]
  我々は,クロスドメイン全体的特徴共適応のための新しい逆グラフ表現適応(AGRA)フレームワークを開発した。 我々は,いくつかの一般的なベンチマークで広範囲かつ公平な評価を行い,提案したAGRAフレームワークが従来の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-03T15:00:31Z)
• Adversarial Bipartite Graph Learning for Video Domain Adaptation [50.68420708387015]
  ドメイン適応技術は,異なる領域間のモデルを適応させることに重点を置いているが,ビデオ認識領域ではめったに研究されていない。 近年,映像のソースと対象映像の表現を統一するために,対角学習を活用する視覚領域適応はビデオにはあまり効果がない。 本稿では,ソースとターゲットの相互作用を直接モデル化するAdversarial Bipartite Graph (ABG)学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-31T03:48:41Z)
• Self-Guided Adaptation: Progressive Representation Alignment for Domain Adaptive Object Detection [86.69077525494106]
  非教師なしドメイン適応(UDA)は、オブジェクト検出モデルのドメイン間ロバスト性を改善するために前例のない成功を収めた。 既存のUDA手法は、モデル学習中の瞬間的なデータ分布を無視しており、大きなドメインシフトによって特徴表現が劣化する可能性がある。 本稿では、特徴表現の整合とドメイン間のオブジェクト検出モデルの転送を目標とする自己ガイド適応モデルを提案する。
  論文  参考訳（メタデータ） (2020-03-19T13:30:45Z)

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。