論文の概要: Semi-supervised Graph Anomaly Detection via Robust Homophily Learning

• arxiv url: http://arxiv.org/abs/2506.15448v1
• Date: Wed, 18 Jun 2025 13:19:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-19 19:35:51.672215
• Title: Semi-supervised Graph Anomaly Detection via Robust Homophily Learning
• Title（参考訳）: ロバストホモフィリー学習による半教師付きグラフ異常検出
• Authors: Guoguo Ai, Hezhe Qiao, Hui Yan, Guansong Pang,
• Abstract要約: 半教師付きグラフ異常検出(GAD)は、ラベル付き正規ノードの小さなセットを使用して、グラフ内のラベルなしノードの大きなセットから異常ノードを識別する。 本稿では,ロバスト・ホモフィリ・ラーニング(Robust Homophily Learning)というRHOを提案し,そのようなホモフィリ・パターンを適応的に学習する。 8つの実世界のGADデータセットの実験により、RHOは小さな正常なノードセットにおいて、様々な、しばしば非表現的、ホモフィリーを効果的に学習できることが示されている。
• 参考スコア（独自算出の注目度）: 18.368573025135227
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semi-supervised graph anomaly detection (GAD) utilizes a small set of labeled normal nodes to identify abnormal nodes from a large set of unlabeled nodes in a graph. Current methods in this line posit that 1) normal nodes share a similar level of homophily and 2) the labeled normal nodes can well represent the homophily patterns in the normal class. However, this assumption often does not hold well since normal nodes in a graph can exhibit diverse homophily in real-world GAD datasets. In this paper, we propose RHO, namely Robust Homophily Learning, to adaptively learn such homophily patterns. RHO consists of two novel modules, adaptive frequency response filters (AdaFreq) and graph normality alignment (GNA). AdaFreq learns a set of adaptive spectral filters that capture different frequency components of the labeled normal nodes with varying homophily in the channel-wise and cross-channel views of node attributes. GNA is introduced to enforce consistency between the channel-wise and cross-channel homophily representations to robustify the normality learned by the filters in the two views. Experiments on eight real-world GAD datasets show that RHO can effectively learn varying, often under-represented, homophily in the small normal node set and substantially outperforms state-of-the-art competing methods. Code is available at https://github.com/mala-lab/RHO.
• Abstract（参考訳）: 半教師付きグラフ異常検出(GAD)は、ラベル付き正規ノードの小さなセットを使用して、グラフ内のラベルなしノードの大きなセットから異常ノードを識別する。 このラインポジットの現在の方法 1) 正常ノードは、同様のホモフィリーレベルと共有する。 2) ラベル付き正規ノードは正規クラスのホモフィリーパターンをよく表すことができる。 しかし、グラフ内の通常のノードは実世界のGADデータセットに様々なホモフィリーを示すことができるため、この仮定はしばしばうまく機能しない。 本稿では,ロバスト・ホモフィリ・ラーニング(Robust Homophily Learning)というRHOを提案し,そのようなホモフィリ・パターンを適応的に学習する。 RHOは2つの新しいモジュール、適応周波数応答フィルタ(AdaFreq)とグラフ正規性アライメント(GNA)から構成される。 AdaFreqは適応スペクトルフィルタの集合を学習し、ノード属性のチャネルワイドおよびクロスチャネルビューにおいて、異なるホモフィリーでラベル付き正規ノードの異なる周波数成分をキャプチャする。 GNAは、チャネルワイドとクロスチャネルホモフィリー表現間の一貫性を強制するために導入され、この2つのビューにおいてフィルタによって学習された正規性を強化する。 8つの実世界のGADデータセットの実験により、RHOは小さな正常なノードセットにおいて変化し、しばしば低表現で、ホモフィリーに学習でき、最先端の競合手法を大幅に上回ることを示した。 コードはhttps://github.com/mala-lab/RHO.comで入手できる。

関連論文リスト

• Towards Anomaly-Aware Pre-Training and Fine-Tuning for Graph Anomaly Detection [59.042018542376596]
  グラフ異常検出(GAD)は近年注目度が高まりつつあるが、2つの重要な要因があるため、依然として困難である。 Anomaly-Aware Pre-Training and Fine-Tuning (APF)は、GADの課題を軽減するためのフレームワークである。 10のベンチマークデータセットに関する総合的な実験は、最先端のベースラインと比較してAPFの優れたパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2025-04-19T09:57:35Z)
• 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)
• 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)
• 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)
• Truncated Affinity Maximization: One-class Homophily Modeling for Graph Anomaly Detection [21.731515133452977]
  正常ノードは互いに強い接続・親和性を持つ傾向を示し, 異常ノードのホモフィリは正常ノードよりも著しく弱いことを示す。 この異常識別特性は、従来の異常検出目的を用いて構築される既存の異常検出方法によって無視される。 本稿では, 隣接ノードの局所親和性を最大化することにより, 異常測度に適したノード表現を学習するTruncated Affinity Maximization (TAM)を提案する。
  論文  参考訳（メタデータ） (2023-05-29T08:39:16Z)
• Graph Contrastive Learning under Heterophily via Graph Filters [51.46061703680498]
  グラフコントラスト学習(CL)法は,GNNエンコーダを用いて得られる拡張ノード表現の類似性を最大化することにより,ノード表現を自己指導的に学習する。 本研究では,ヘテロフィリー下でのグラフ表現学習に有効なグラフCL法であるHLCLを提案する。 我々の広範な実験により、HLCLはヘテロフィリーのベンチマークデータセットや大規模実世界のグラフで最先端のグラフCL法を最大7%上回り、ヘテロフィリーのデータセットでグラフ教師あり学習法を最大10%上回ります。
  論文  参考訳（メタデータ） (2023-03-11T08:32:39Z)
• 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)
• 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)

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。