論文の概要: A Pre-Training and Adaptive Fine-Tuning Framework for Graph Anomaly Detection

• arxiv url: http://arxiv.org/abs/2504.14250v1
• Date: Sat, 19 Apr 2025 09:57:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-30 03:51:10.898464
• Title: A Pre-Training and Adaptive Fine-Tuning Framework for Graph Anomaly Detection
• Title（参考訳）: グラフ異常検出のための事前学習・適応微調整フレームワーク
• Authors: Yunhui Liu, Jiashun Cheng, Jia Li, Fugee Tsung, Hongzhi Yin, Tieke He,
• Abstract要約: 近年, グラフ異常検出 (GAD) が注目されているが, 異常ノードの不足やラベルアノテーションのコストが高いため, 依然として困難である。 PAFはGAD用に特別に設計されたフレームワークで、事前学習フェーズにおける低域と高域のフィルタを組み合わせて、ノード特徴量における周波数情報の完全なスペクトルをキャプチャする。
• 参考スコア（独自算出の注目度）: 67.77204352386897
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph anomaly detection (GAD) has garnered increasing attention in recent years, yet it remains challenging due to the scarcity of abnormal nodes and the high cost of label annotations. Graph pre-training, the two-stage learning paradigm, has emerged as an effective approach for label-efficient learning, largely benefiting from expressive neighborhood aggregation under the assumption of strong homophily. However, in GAD, anomalies typically exhibit high local heterophily, while normal nodes retain strong homophily, resulting in a complex homophily-heterophily mixture. To understand the impact of this mixed pattern on graph pre-training, we analyze it through the lens of spectral filtering and reveal that relying solely on a global low-pass filter is insufficient for GAD. We further provide a theoretical justification for the necessity of selectively applying appropriate filters to individual nodes. Building upon this insight, we propose PAF, a Pre-Training and Adaptive Fine-tuning framework specifically designed for GAD. In particular, we introduce joint training with low- and high-pass filters in the pre-training phase to capture the full spectrum of frequency information in node features. During fine-tuning, we devise a gated fusion network that adaptively combines node representations generated by both filters. Extensive experiments across ten benchmark datasets consistently demonstrate the effectiveness of PAF.
• Abstract（参考訳）: 近年, グラフ異常検出 (GAD) が注目されているが, 異常ノードの不足やラベルアノテーションのコストが高いため, 依然として困難である。 2段階の学習パラダイムであるグラフ事前学習は、強いホモフィリーの仮定の下で表現力のある近傍の集約の恩恵を受けながら、ラベル効率の学習に有効なアプローチとして登場した。 しかし、GADでは、異常は一般的に高い局所的なヘテロフィ性を示すが、通常のノードは強いホモフィ性を保持し、複雑なホモフィ性-ヘテロフィ性混合をもたらす。 この混合パターンがグラフ事前学習に与える影響を理解するため、スペクトルフィルタリングのレンズを用いて分析し、グローバルローパスフィルタのみに依存することは、GADには不十分であることを示す。 さらに,各ノードに対して適切なフィルタを選択的に適用する必要性を理論的に正当化する。 この知見に基づいて,GADに特化して設計された事前学習・適応微調整フレームワークであるPAFを提案する。 特に,事前学習フェーズにおける低域フィルタと高域フィルタとのジョイントトレーニングを導入し,ノード特徴量における周波数情報の完全なスペクトルをキャプチャする。 微調整中、我々は両方のフィルタが生成するノード表現を適応的に結合するゲート融合ネットワークを考案した。 10のベンチマークデータセットにわたる大規模な実験は、PAFの有効性を一貫して実証している。

関連論文リスト

• Dual-Frequency Filtering Self-aware Graph Neural Networks for Homophilic and Heterophilic Graphs [60.82508765185161]
  我々は、Dual-Frequency Filtering Self-Aware Graph Neural Networks (DFGNN)を提案する。 DFGNNは低域通過フィルタと高域通過フィルタを統合し、滑らかで詳細な位相的特徴を抽出する。 フィルター比を動的に調整し、ホモフィルグラフとヘテロフィルグラフの両方に対応する。
  論文  参考訳（メタデータ） (2024-11-18T04:57:05Z)
• Partitioning Message Passing for Graph Fraud Detection [57.928658584067556]
  グラフフラッド検出(GFD)タスクにグラフニューラルネットワーク(GNN)を適用する場合、ラベルの不均衡とホモフィリー・ヘテロフィリー混合が直面する根本的な問題である。 既存のGNNベースのGFDモデルは、GNNのホモフィリーへの帰納バイアスに対応するためにグラフ構造を拡張するように設計されている。 我々の研究では、GFDにGNNを適用する鍵は除外するのではなく、異なるラベルを持つ隣人を区別することにあると論じている。
  論文  参考訳（メタデータ） (2024-11-16T11:30:53Z)
• Node-wise Filtering in Graph Neural Networks: A Mixture of Experts Approach [58.8524608686851]
  グラフニューラルネットワーク(GNN)は、多様なグラフ構造パターンをまたいだノード分類タスクに非常に効果的であることが証明されている。 伝統的に、GNNは均一なグローバルフィルタ(通常、ホモフィルグラフのローパスフィルタとヘテロフィルグラフのハイパスフィルタ)を用いる。 我々は,異なるノードに対する適切なフィルタを適応的に選択するために,専門家の混在を利用した新しいGNNフレームワークNode-MoEを紹介する。
  論文  参考訳（メタデータ） (2024-06-05T17:12:38Z)
• Alleviating Structural Distribution Shift in Graph Anomaly Detection [70.1022676681496]
  グラフ異常検出(GAD)は二項分類の問題である。 ガロン神経ネットワーク(GNN)は、同胞性隣人からの正常の分類に有用である。 ヘテロ親水性隣人の影響を緩和し、不変にするための枠組みを提案する。
  論文  参考訳（メタデータ） (2024-01-25T13:07:34Z)
• GPatcher: A Simple and Adaptive MLP Model for Alleviating Graph Heterophily [15.93465948768545]
  グラフニューラルネットワーク(GNN)フィルタにおけるグラフヘテロフィリーの影響を解明する。 我々は,パッチ・ミクサーアーキテクチャを利用したGPatcherというシンプルで強力なGNNを提案する。 本モデルでは, ノード分類において, 人気ホモフィリーGNNや最先端ヘテロフィリーGNNと比較して, 優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-25T20:57:35Z)
• Heterophily-Aware Graph Attention Network [42.640057865981156]
  グラフニューラルネットワーク(GNN)はグラフ表現学習において顕著な成功を収めている。 既存のヘテロフィル性GNNは、各エッジのヘテロフィリのモデリングを無視する傾向にあり、これはヘテロフィリ問題に取り組む上でも不可欠である。 本稿では,局所分布を基礎となるヘテロフィリーとして完全に探索し,活用することで,新たなヘテロフィア対応グラフ注意ネットワーク(HA-GAT)を提案する。
  論文  参考訳（メタデータ） (2023-02-07T03:21:55Z)
• Node-oriented Spectral Filtering for Graph Neural Networks [38.0315325181726]
  グラフニューラルネットワーク(GNN)は、ホモ親和性グラフデータに顕著な性能を示す。 一般に、グローバルな視点からグラフ上の普遍的なスペクトルフィルタを学習することは、局所的なパターンの変化に適応する上で非常に困難である。 グラフニューラルネットワーク(NFGNN)のためのノード指向スペクトルフィルタリングを提案する。
  論文  参考訳（メタデータ） (2022-12-07T14:15:28Z)
• Beyond Low-Pass Filters: Adaptive Feature Propagation on Graphs [6.018995094882323]
  グラフニューラルネットワーク(GNN)は、グラフ上の予測タスクのために広く研究されている。 ほとんどのGNNは、局所的ホモフィリー、すなわち地域住民の強い類似性を仮定している。 基本となるホモフィリーによって制限されることなく、任意のグラフを扱うことができる柔軟なGNNモデルを提案する。
  論文  参考訳（メタデータ） (2021-03-26T00:35:36Z)
• Bayesian Graph Neural Networks with Adaptive Connection Sampling [62.51689735630133]
  グラフニューラルネットワーク(GNN)における適応接続サンプリングのための統一的なフレームワークを提案する。 提案フレームワークは,深部GNNの過度なスムース化や過度に適合する傾向を緩和するだけでなく,グラフ解析タスクにおけるGNNによる不確実性の学習を可能にする。
  論文  参考訳（メタデータ） (2020-06-07T07:06:35Z)

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。