論文の概要: Chi-Square Wavelet Graph Neural Networks for Heterogeneous Graph Anomaly Detection

• arxiv url: http://arxiv.org/abs/2505.18934v1
• Date: Sun, 25 May 2025 01:58:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:42.764506
• Title: Chi-Square Wavelet Graph Neural Networks for Heterogeneous Graph Anomaly Detection
• Title（参考訳）: 不均一グラフ異常検出のためのChi-Square Wavelet Graph Neural Networks
• Authors: Xiping Li, Xiangyu Dong, Xingyi Zhang, Kun Xie, Yuanhao Feng, Bo Wang, Guilin Li, Wuxiong Zeng, Xiujun Shu, Sibo Wang,
• Abstract要約: 既存のグラフニューラルネットワーク(GNN)法は主に同種グラフ異常検出(GAD)に焦点を当てている 各メタパスグラフに専用Chi-Squareフィルタを適用して異常情報をキャプチャするMulti-Graph Chi-Square Filterと、高頻度情報を保持しながら特徴を整列し、統合されたChi-Square Filterで異種メッセージを組み込むInteractive Meta-Graph Convolutionと、クラス不均衡に対処するために難しい異常を優先順位付けするContribution-Informed Cross-Entropy Lossからなる。
• 参考スコア（独自算出の注目度）: 14.15596277485716
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Anomaly Detection (GAD) in heterogeneous networks presents unique challenges due to node and edge heterogeneity. Existing Graph Neural Network (GNN) methods primarily focus on homogeneous GAD and thus fail to address three key issues: (C1) Capturing abnormal signal and rich semantics across diverse meta-paths; (C2) Retaining high-frequency content in HIN dimension alignment; and (C3) Learning effectively from difficult anomaly samples with class imbalance. To overcome these, we propose ChiGAD, a spectral GNN framework based on a novel Chi-Square filter, inspired by the wavelet effectiveness in diverse domains. Specifically, ChiGAD consists of: (1) Multi-Graph Chi-Square Filter, which captures anomalous information via applying dedicated Chi-Square filters to each meta-path graph; (2) Interactive Meta-Graph Convolution, which aligns features while preserving high-frequency information and incorporates heterogeneous messages by a unified Chi-Square Filter; and (3) Contribution-Informed Cross-Entropy Loss, which prioritizes difficult anomalies to address class imbalance. Extensive experiments on public and industrial datasets show that ChiGAD outperforms state-of-the-art models on multiple metrics. Additionally, its homogeneous variant, ChiGNN, excels on seven GAD datasets, validating the effectiveness of Chi-Square filters. Our code is available at https://github.com/HsipingLi/ChiGAD.
• Abstract（参考訳）: 異種ネットワークにおけるグラフ異常検出(GAD)は、ノードとエッジの不均一性に起因する固有の課題を示す。 既存のグラフニューラルネットワーク(GNN)手法は主に均一なGADに焦点を当てており、(C1)多様なメタパスにまたがる異常信号とリッチセマンティクスの取得、(C2)HIN次元アライメントにおける高周波コンテンツの保持、(C3)クラス不均衡の難しいサンプルから効果的に学習する、という3つの重要な問題に対処できない。 そこで本研究では,新しいChi-SquareフィルタをベースとしたスペクトルGNNフレームワークであるChiGADを提案する。 具体的には,(1)専用Chi-Squareフィルタを各メタパスグラフに適用して異常情報をキャプチャするマルチグラフChi-Squareフィルタ,(2)高頻度情報を保存しながら特徴を整列し,Ci-Squareフィルタで異種メッセージを組み込むインタラクティブメタグラフ畳み込み,(3)クラス不均衡に対処するコントリビューション・インフォームド・クロスエントロピー・ロスを優先するコントリビューション・インフォームド・クロスエントロピー・ロスからなる。 パブリックデータセットと産業データセットの大規模な実験は、ChiGADが複数のメトリクスで最先端のモデルより優れていることを示している。 さらに、同種変種であるChiGNNは、7つのGADデータセットを抽出し、Chi-Squareフィルタの有効性を検証する。 私たちのコードはhttps://github.com/HsipingLi/ChiGAD.comで利用可能です。

関連論文リスト

• Collaborative Filtering Meets Spectrum Shift: Connecting User-Item Interaction with Graph-Structured Side Information [11.650613484855356]
  グラフニューラルネットワーク(GNN)は協調フィルタリングにおいてその優位性を実証している。 しかし、グラフ構造化側情報をU-I二部グラフに統合すると、既存のグラフ協調フィルタリング手法は良好な性能を達成できない。 我々はスペクトルシフト補正(SSC)を提案し、スペクトルGNNがシフトスペクトルに適応できるようにシフトとスケーリングの要素を取り入れた。
  論文  参考訳（メタデータ） (2025-02-12T02:24:26Z)
• 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)
• Addressing Graph Heterogeneity and Heterophily from A Spectral Perspective [46.37860909753809]
  ヘテロジニティ(Heterogeneity)とは、複数の種類のノードやエッジを持つグラフを指すが、ヘテロフィリィ(heterphily)とは、連結ノードが異なる属性やラベルを持つ可能性が高いという事実を指す。 本稿では,局所独立フィルタリングとグローバルハイブリッドフィルタリングという2つのモジュールを用いたヘテロ親水性スペクトルグラフニューラルネットワーク(H2SGNN)を提案する。 提案したH2SGNNの有効性を検証するため,4つのデータセットで大規模な実験を行った。
  論文  参考訳（メタデータ） (2024-10-17T09:23:53Z)
• Spectral Greedy Coresets for Graph Neural Networks [61.24300262316091]
  ノード分類タスクにおける大規模グラフの利用は、グラフニューラルネットワーク(GNN)の現実的な応用を妨げる 本稿では,GNNのグラフコアセットについて検討し,スペクトル埋め込みに基づくエゴグラフの選択により相互依存の問題を回避する。 我々のスペクトルグレディグラフコアセット(SGGC)は、数百万のノードを持つグラフにスケールし、モデル事前学習の必要性を排除し、低ホモフィリーグラフに適用する。
  論文  参考訳（メタデータ） (2024-05-27T17:52:12Z)
• 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)
• Skeleton-Parted Graph Scattering Networks for 3D Human Motion Prediction [120.08257447708503]
  体-関節関係をモデル化するグラフ畳み込みネットワークに基づく手法は,最近3次元骨格に基づく人間の動作予測において大きな可能性を示唆している。 骨格分割グラフ散乱ネットワーク(SPGSN)を提案する。 SPGSNは、Human3.6M、CMU Mocap、および3DPWデータセット上で、関節位置誤差(MPJPE)当たりの3D平均の13.8%、9.3%、および2.7%の差で最先端の手法を上回っている。
  論文  参考訳（メタデータ） (2022-07-31T05:51:39Z)
• 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)
• Message Passing in Graph Convolution Networks via Adaptive Filter Banks [81.12823274576274]
  我々は BankGCN と呼ばれる新しいグラフ畳み込み演算子を提案する。 グラフ上のマルチチャネル信号をサブスペースに分解し、各サブスペース内の特定の情報を適応フィルタで処理する。 ベンチマークグラフデータセットの集合におけるグラフ分類における優れたパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-06-18T04:23:34Z)
• Graph Neural Networks with Adaptive Frequency Response Filter [55.626174910206046]
  適応周波数応答フィルタを用いたグラフニューラルネットワークフレームワークAdaGNNを開発した。 提案手法の有効性を,様々なベンチマークデータセット上で実証的に検証した。
  論文  参考訳（メタデータ） (2021-04-26T19:31:21Z)

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。