論文の概要: Reconciling Attribute and Structural Anomalies for Improved Graph Anomaly Detection

• arxiv url: http://arxiv.org/abs/2506.23469v1
• Date: Mon, 30 Jun 2025 02:23:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:53.895015
• Title: Reconciling Attribute and Structural Anomalies for Improved Graph Anomaly Detection
• Title（参考訳）: 改良されたグラフ異常検出のための属性と構造異常の再検討
• Authors: Chunjing Xiao, Jiahui Lu, Xovee Xu, Fan Zhou, Tianshu Xie, Wei Lu, Lifeng Xu,
• Abstract要約: TripleADは相互蒸留に基づく三チャンネルグラフ異常検出フレームワークである。 属性、構造、混合異常を識別する3つの推定モジュールを含んでいる。 大規模な実験は、強力なベースラインに対して提案されたTripleADモデルの有効性を示す。
• 参考スコア（独自算出の注目度）: 16.56160980846368
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph anomaly detection is critical in domains such as healthcare and economics, where identifying deviations can prevent substantial losses. Existing unsupervised approaches strive to learn a single model capable of detecting both attribute and structural anomalies. However, they confront the tug-of-war problem between two distinct types of anomalies, resulting in suboptimal performance. This work presents TripleAD, a mutual distillation-based triple-channel graph anomaly detection framework. It includes three estimation modules to identify the attribute, structural, and mixed anomalies while mitigating the interference between different types of anomalies. In the first channel, we design a multiscale attribute estimation module to capture extensive node interactions and ameliorate the over-smoothing issue. To better identify structural anomalies, we introduce a link-enhanced structure estimation module in the second channel that facilitates information flow to topologically isolated nodes. The third channel is powered by an attribute-mixed curvature, a new indicator that encapsulates both attribute and structural information for discriminating mixed anomalies. Moreover, a mutual distillation strategy is introduced to encourage communication and collaboration between the three channels. Extensive experiments demonstrate the effectiveness of the proposed TripleAD model against strong baselines.
• Abstract（参考訳）: グラフ異常検出は医療や経済学などの分野において重要であり、偏差の特定は重大な損失を防ぐ。 既存の教師なしアプローチは、属性と構造的異常の両方を検出することのできる単一のモデルを学習しようと試みている。 しかし、彼らは2つの異なるタイプの異常の間に綱引き問題に直面し、結果として準最適性能をもたらす。 本稿では, 相互蒸留に基づく三チャネルグラフ異常検出フレームワークTripleADを提案する。 属性、構造、混合異常を識別し、異なる種類の異常間の干渉を緩和する3つの推定モジュールを含む。 第1のチャンネルでは、広範囲なノード間相互作用を捕捉し、過度なスムーシング問題を改善するためのマルチスケール属性推定モジュールを設計する。 構造異常をよりよく識別するために,第2チャネルにリンク強化構造推定モジュールを導入し,位相的に孤立したノードへの情報フローを容易にする。 第3のチャネルは属性混合曲率(属性と構造の両方をカプセル化して混合異常を識別する新しいインジケータ)によって駆動される。 さらに,3つのチャネル間のコミュニケーションと協調を促進するため,相互蒸留戦略を導入する。 大規模な実験は、強力なベースラインに対して提案されたTripleADモデルの有効性を示す。

関連論文リスト

• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [54.85000884785013]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• Higher-order Structure Based Anomaly Detection on Attributed Networks [25.94747823510297]
  本稿では,高次構造に基づく異常検出(GUIDE)手法を提案する。 我々は属性オートエンコーダと構造オートエンコーダを利用してノード属性と高階構造を再構成する。 また、隣接ノードの重要性を評価するために、グラフ注意層を設計する。
  論文  参考訳（メタデータ） (2024-06-07T07:02:50Z)
• Towards a Unified Framework of Clustering-based Anomaly Detection [18.30208347233284]
  非教師付き異常検出(UAD)は、ラベル付き例なしでデータ内の異常パターンを識別する上で重要な役割を果たす。 本稿では, 表現学習, クラスタリング, 異常検出の理論的関係を確立するために, 異常検出のための新しい確率混合モデルを提案する。 我々は,表現学習とクラスタリングの併用力を効果的に活用する,改良された異常スコアを考案した。
  論文  参考訳（メタデータ） (2024-06-01T14:30:12Z)
• 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)
• Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
  我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
  論文  参考訳（メタデータ） (2023-12-26T07:08:06Z)
• ARISE: Graph Anomaly Detection on Attributed Networks via Substructure Awareness [70.60721571429784]
  サブ構造認識(ARISE)による属性付きネットワーク上の新しいグラフ異常検出フレームワークを提案する。 ARISEは、異常を識別するグラフのサブ構造に焦点を当てている。 実験により、ARISEは最先端の属性付きネットワーク異常検出(ANAD)アルゴリズムと比較して、検出性能が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2022-11-28T12:17:40Z)
• Reconstruction Enhanced Multi-View Contrastive Learning for Anomaly Detection on Attributed Networks [35.93516937521393]
  本稿では,マルチビュー・コントラッシブ・ラーニング・ベース・モジュールと属性再構成・ベース・モジュールを併用して,属性付きネットワーク上の異常をより正確に検出する自己教師付き学習フレームワークを提案する。 5つのベンチマークデータセットで行った実験は、我々のモデルが現在の最先端モデルより優れていることを示している。
  論文  参考訳（メタデータ） (2022-05-10T11:35:32Z)
• Robust Self-Supervised LiDAR Odometry via Representative Structure Discovery and 3D Inherent Error Modeling [67.75095378830694]
  そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。 本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。 我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
  論文  参考訳（メタデータ） (2022-02-27T12:52:27Z)
• Multiway Spherical Clustering via Degree-Corrected Tensor Block Models [8.147652597876862]
  推定精度を保証した次数補正ブロックモデルを開発した。 特に,3次以上のテンソルに対してのみ,本質的な統計的-計算的ギャップが生じることを示す。 本手法の有効性を2つのデータアプリケーションを用いて実証した。
  論文  参考訳（メタデータ） (2022-01-19T03:40:22Z)
• Unveiling Anomalous Edges and Nominal Connectivity of Attributed Networks [53.56901624204265]
  本研究では、相補的な強さを持つ2つの異なる定式化を用いて、属性グラフの異常なエッジを明らかにする。 まず、グラフデータマトリックスを低ランクとスパースコンポーネントに分解することで、パフォーマンスを著しく向上させる。 第2は、乱れのないグラフを頑健に復元することにより、第1のスコープを広げ、異常識別性能を高める。
  論文  参考訳（メタデータ） (2021-04-17T20:00:40Z)

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。