論文の概要: EAGLE: Contrastive Learning for Efficient Graph Anomaly Detection

• arxiv url: http://arxiv.org/abs/2505.07508v1
• Date: Mon, 12 May 2025 12:45:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:49.376807
• Title: EAGLE: Contrastive Learning for Efficient Graph Anomaly Detection
• Title（参考訳）: EAGLE: 効率的なグラフ異常検出のためのコントラスト学習
• Authors: Jing Ren, Mingliang Hou, Zhixuan Liu, Xiaomei Bai,
• Abstract要約: 異種グラフ上でのコントラストLearning(EAGLE)による効率的な異常検出モデルを提案する。 提案手法は,コントラスト学習のためのメタパスレベルをまずサンプリングする。 次に、グラフオートエンコーダに基づくモデルを用いて、教師なしの方法で情報ノードの埋め込みを学習し、さらに識別器と組み合わせてノードの異常スコアを予測する。
• 参考スコア（独自算出の注目度）: 12.347459417820389
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph anomaly detection is a popular and vital task in various real-world scenarios, which has been studied for several decades. Recently, many studies extending deep learning-based methods have shown preferable performance on graph anomaly detection. However, existing methods are lack of efficiency that is definitely necessary for embedded devices. Towards this end, we propose an Efficient Anomaly detection model on heterogeneous Graphs via contrastive LEarning (EAGLE) by contrasting abnormal nodes with normal ones in terms of their distances to the local context. The proposed method first samples instance pairs on meta path-level for contrastive learning. Then, a graph autoencoder-based model is applied to learn informative node embeddings in an unsupervised way, which will be further combined with the discriminator to predict the anomaly scores of nodes. Experimental results show that EAGLE outperforms the state-of-the-art methods on three heterogeneous network datasets.
• Abstract（参考訳）: グラフ異常検出は、何十年にもわたって研究されてきた様々な現実世界のシナリオにおいて、人気があり重要なタスクである。 近年,深層学習に基づく手法を拡張した多くの研究がグラフ異常検出に好適な性能を示している。 しかし、既存の手法は、組み込みデバイスに確実に必要となる効率の欠如である。 そこで本研究では,異種グラフの異常ノードと異常ノードとの対比を局所的文脈との距離で比較することにより,異種グラフ上での効率的な異常検出モデルを提案する。 提案手法は,コントラスト学習のために,まずメタパスレベルのインスタンスペアをサンプリングする。 次に、グラフオートエンコーダに基づくモデルを用いて、教師なしの方法で情報ノードの埋め込みを学習し、さらに識別器と組み合わせてノードの異常スコアを予測する。 実験により、EAGLEは3つの異種ネットワークデータセット上で最先端の手法より優れていることが示された。

関連論文リスト

• 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)
• Three Revisits to Node-Level Graph Anomaly Detection: Outliers, Message Passing and Hyperbolic Neural Networks [9.708651460086916]
  本稿では,教師なしノードレベルのグラフ異常検出タスクに対するデータセットとアプローチを再検討する。 まず,グラフデータセットにおいて,より多様なグラフベースの異常を発生させるアウトリーインジェクション手法を提案する。 第2に、メッセージパッシングを利用した手法を非使用者と比較し、予期せぬ性能低下を明らかにした。
  論文  参考訳（メタデータ） (2024-03-06T19:42:34Z)
• 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)
• Normality Learning-based Graph Anomaly Detection via Multi-Scale Contrastive Learning [61.57383634677747]
  グラフ異常検出(GAD)は、機械学習やデータマイニングにおいて注目を集めている。 本稿では,マルチスケールコントラスト学習ネットワーク(NLGAD,略語)による正規性学習に基づくGADフレームワークを提案する。 特に,提案アルゴリズムは,最先端手法と比較して検出性能(最大5.89%のAUCゲイン)を向上させる。
  論文  参考訳（メタデータ） (2023-09-12T08:06:04Z)
• 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)
• From Unsupervised to Few-shot Graph Anomaly Detection: A Multi-scale Contrastive Learning Approach [26.973056364587766]
  グラフデータからの異常検出は、ソーシャルネットワーク、金融、eコマースなど、多くのアプリケーションにおいて重要なデータマイニングタスクである。 マルチスケールcONtrastive lEarning(略してANEMONE)を用いた新しいフレームワーク, graph Anomaly dEtection フレームワークを提案する。 グラフニューラルネットワークをバックボーンとして、複数のグラフスケール(ビュー)から情報をエンコードすることで、グラフ内のノードのより良い表現を学習する。
  論文  参考訳（メタデータ） (2022-02-11T09:45:11Z)

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。