論文の概要: Rethinking Contrastive Learning in Graph Anomaly Detection: A Clean-View Perspective

• arxiv url: http://arxiv.org/abs/2505.18002v1
• Date: Fri, 23 May 2025 15:05:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 18:08:34.179444
• Title: Rethinking Contrastive Learning in Graph Anomaly Detection: A Clean-View Perspective
• Title（参考訳）: グラフ異常検出におけるコントラスト学習の再考:クリーンな視点
• Authors: Di Jin, Jingyi Cao, Xiaobao Wang, Bingdao Feng, Dongxiao He, Longbiao Wang, Jianwu Dang,
• Abstract要約: グラフ異常検出は、Webセキュリティやファイナンシャル不正検出などの分野で広く応用されているグラフベースのデータにおいて、異常なパターンを特定することを目的としている。 既存の手法は対照的な学習に依存しており、ノードとその局所部分グラフの間のより低い類似性は異常を示すと仮定する。 干渉エッジの存在は、対照的な学習過程を損なう破壊的なノイズをもたらすため、この仮定を無効にする。 コントラスト学習プロセスにおいて重要な干渉源を特定するために,複数スケールの異常認識モジュールを含むクリーンビュー拡張グラフ異常検出フレームワーク(CVGAD)を提案する。
• 参考スコア（独自算出の注目度）: 54.605073936695575
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph anomaly detection aims to identify unusual patterns in graph-based data, with wide applications in fields such as web security and financial fraud detection. Existing methods typically rely on contrastive learning, assuming that a lower similarity between a node and its local subgraph indicates abnormality. However, these approaches overlook a crucial limitation: the presence of interfering edges invalidates this assumption, since it introduces disruptive noise that compromises the contrastive learning process. Consequently, this limitation impairs the ability to effectively learn meaningful representations of normal patterns, leading to suboptimal detection performance. To address this issue, we propose a Clean-View Enhanced Graph Anomaly Detection framework (CVGAD), which includes a multi-scale anomaly awareness module to identify key sources of interference in the contrastive learning process. Moreover, to mitigate bias from the one-step edge removal process, we introduce a novel progressive purification module. This module incrementally refines the graph by iteratively identifying and removing interfering edges, thereby enhancing model performance. Extensive experiments on five benchmark datasets validate the effectiveness of our approach.
• Abstract（参考訳）: グラフ異常検出は、Webセキュリティやファイナンシャル不正検出などの分野で広く応用されているグラフベースのデータにおいて、異常なパターンを特定することを目的としている。 既存の手法は典型的には対照的な学習に依存し、ノードとその局所部分グラフの間のより低い類似性は異常を示すと仮定する。 干渉エッジの存在は、対照的な学習過程を損なう破壊的ノイズをもたらすため、この仮定を無効にする。 この制限により、通常のパターンの意味的な表現を効果的に学習する能力が損なわれ、最適下検出性能が低下する。 この問題に対処するために,コントラスト学習プロセスにおける重要な干渉源を特定するために,マルチスケールの異常認識モジュールを含むクリーンビュー拡張グラフ異常検出フレームワーク(CVGAD)を提案する。 さらに, 一段階除去プロセスのバイアスを軽減するために, 新規なプログレッシブ浄化モジュールを導入する。 このモジュールは、干渉エッジを反復的に識別して除去することによりグラフを漸進的に洗練し、モデル性能を向上させる。 5つのベンチマークデータセットに対する大規模な実験により、我々のアプローチの有効性が検証された。

関連論文リスト

• Cluster Aware Graph Anomaly Detection [32.791460110557104]
  本稿では,CAREと呼ばれるクラスタ認識型マルチビューグラフ異常検出手法を提案する。 提案手法は,グラフの隣接行列を擬似ラベルで拡張することにより,局所ノード親和性とグローバルノード親和性の両方を捕捉する。 提案した類似性誘導損失は、対照的な学習損失の変種であることを示す。
  論文  参考訳（メタデータ） (2024-09-15T15:41:59Z)
• PhoGAD: Graph-based Anomaly Behavior Detection with Persistent Homology Optimization [24.915797951829443]
  PhoGADはグラフベースの異常検出フレームワークである。 永続的ホモロジー最適化を利用して行動境界を明らかにする。 侵入、トラフィック、スパムデータセットの実験により、PhoGADが検出有効性において最先端(SOTA)フレームワークのパフォーマンスを上回ったことが確認された。
  論文  参考訳（メタデータ） (2024-01-19T08:13:10Z)
• 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)
• The Devil is in the Conflict: Disentangled Information Graph Neural Networks for Fraud Detection [17.254383007779616]
  性能劣化は主にトポロジと属性の矛盾に起因すると我々は主張する。 注意機構を用いて2つの視点を適応的に融合する簡易かつ効果的な手法を提案する。 我々のモデルは、実世界の不正検出データセットで最先端のベースラインを大幅に上回ることができる。
  論文  参考訳（メタデータ） (2022-10-22T08:21:49Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Bayesian Graph Contrastive Learning [55.36652660268726]
  本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。 提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。 いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2021-12-15T01:45:32Z)
• Generative and Contrastive Self-Supervised Learning for Graph Anomaly Detection [14.631674952942207]
  グラフ異常検出のための自己教師付き学習法(SL-GAD)を提案する。 提案手法では,対象ノードに基づいて異なるコンテキストサブグラフを構築し,生成属性回帰とマルチビューコントラスト学習という2つのモジュールを用いて異常検出を行う。 提案手法は,6つのベンチマークデータセットに対して広範な実験を行い,提案手法が最先端の手法よりも大きなマージンで優れていることを示した。
  論文  参考訳（メタデータ） (2021-08-23T02:15:21Z)
• Contrastive Predictive Coding for Anomaly Detection [0.0]
  対照的予測符号化モデル (arXiv:1807.03748) は異常検出とセグメンテーションに使用される。 パッチワイドのコントラスト損失を直接異常スコアと解釈できることを示す。 ModelはMVTec-ADデータセット上の異常検出とセグメンテーションの両方に対して有望な結果を達成する。
  論文  参考訳（メタデータ） (2021-07-16T11:04:35Z)

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。