論文の概要: How to Use Graph Data in the Wild to Help Graph Anomaly Detection?

• arxiv url: http://arxiv.org/abs/2506.04190v1
• Date: Wed, 04 Jun 2025 17:37:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 21:20:14.494913
• Title: How to Use Graph Data in the Wild to Help Graph Anomaly Detection?
• Title（参考訳）: 自然界におけるグラフデータを用いたグラフ異常検出法
• Authors: Yuxuan Cao, Jiarong Xu, Chen Zhao, Jiaan Wang, Carl Yang, Chunping Wang, Yang Yang,
• Abstract要約: グラフ異常検出タスクを支援するWild-GADというフレームワークを提案する。 UniWildGraphという統合データベース上に構築されており、広範なドメインカバレッジ、豊富なデータボリューム、統一された機能空間を備えている。 我々のフレームワークは、最高の競合方式よりも平均18%のAUCROCと32%のAUCPRを改善しています。
• 参考スコア（独自算出の注目度）: 45.34249570195821
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, graph anomaly detection has found extensive applications in various domains such as social, financial, and communication networks. However, anomalies in graph-structured data present unique challenges, including label scarcity, ill-defined anomalies, and varying anomaly types, making supervised or semi-supervised methods unreliable. Researchers often adopt unsupervised approaches to address these challenges, assuming that anomalies deviate significantly from the normal data distribution. Yet, when the available data is insufficient, capturing the normal distribution accurately and comprehensively becomes difficult. To overcome this limitation, we propose to utilize external graph data (i.e., graph data in the wild) to help anomaly detection tasks. This naturally raises the question: How can we use external data to help graph anomaly detection tasks? To answer this question, we propose a framework called Wild-GAD. It is built upon a unified database, UniWildGraph, which comprises a large and diverse collection of graph data with broad domain coverage, ample data volume, and a unified feature space. Further, we develop selection criteria based on representativity and diversity to identify the most suitable external data for anomaly detection task. Extensive experiments on six real-world datasets demonstrate the effectiveness of Wild-GAD. Compared to the baseline methods, our framework has an average 18% AUCROC and 32% AUCPR improvement over the best-competing methods.
• Abstract（参考訳）: 近年、グラフ異常検出は、社会、金融、通信ネットワークなど様々な分野に広く応用されている。 しかし、グラフ構造化データの異常は、ラベルの不足、未定義の異常、様々な異常タイプなど、ユニークな課題を示しており、教師付きメソッドや半教師付きメソッドは信頼できない。 研究者はしばしば、異常が通常のデータ分布から著しく逸脱していると仮定して、これらの課題に対処するために教師なしのアプローチを採用する。 しかし、利用可能なデータが不十分な場合、正規分布を正確にかつ包括的に取得することが困難になる。 この制限を克服するために,外部グラフデータ(野におけるグラフデータ)を用いて異常検出作業を支援することを提案する。 外部データを使って異常検出タスクをグラフ化するにはどうすればよいのか? そこで我々はWild-GADというフレームワークを提案する。 これはUniWildGraphという統合データベース上に構築されており、膨大なドメインカバレッジ、豊富なデータボリューム、統一された機能空間を備えた、多種多様なグラフデータのコレクションで構成されている。 さらに,異常検出タスクにおいて最も適した外部データを特定するために,表現率と多様性に基づく選択基準を開発する。 6つの実世界のデータセットに対する大規模な実験は、Wild-GADの有効性を示している。 基準法と比較して,本フレームワークはAUCROCが平均18%,AUCPRが32%改善している。

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)
• Towards Self-Interpretable Graph-Level Anomaly Detection [73.1152604947837]
  グラフレベルの異常検出(GLAD)は、コレクションの大多数と比べて顕著な相違を示すグラフを識別することを目的としている。 本稿では,異常なグラフを検出し,同時に情報的説明を生成する自己解釈グラフaNomaly dETectionモデル(SIGNET)を提案する。
  論文  参考訳（メタデータ） (2023-10-25T10:10:07Z)
• MetaGAD: Meta Representation Adaptation for Few-Shot Graph Anomaly Detection [31.218962952724624]
  少数ショットグラフ異常検出の重要な問題について検討する。 本稿では,自己指導学習から少数ショット指導学習へ知識を適応させるメタGADを提案する。 具体的には、二段階最適化として問題を定式化し、MetaGADの収束を保証し、検証損失を最小限に抑える。
  論文  参考訳（メタデータ） (2023-05-18T03:04:51Z)
• 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)
• 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)

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。