論文の概要: Revisiting Graph Contrastive Learning on Anomaly Detection: A Structural Imbalance Perspective

• arxiv url: http://arxiv.org/abs/2507.14677v1
• Date: Sat, 19 Jul 2025 16:05:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-22 20:51:31.99908
• Title: Revisiting Graph Contrastive Learning on Anomaly Detection: A Structural Imbalance Perspective
• Title（参考訳）: 異常検出におけるグラフコントラスト学習の再検討:構造的不均衡の観点から
• Authors: Yiming Xu, Zhen Peng, Bin Shi, Xu Hua, Bo Dong, Song Wang, Chen Chen,
• Abstract要約: 本稿では,AD-GCLという新しいGCLベースのフレームワークを提案する。 隣接するプルーニング戦略を考案し、ヘッドノードのノイズの多いエッジをフィルタリングし、真のテールノードの検出を容易にする。 複数のデータセット上の全ノード,頭ノード,尾ノードのパフォーマンス評価は,提案したAD-GCLの総合的な優位性を検証する。
• 参考スコア（独自算出の注目度）: 22.263273250889615
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The superiority of graph contrastive learning (GCL) has prompted its application to anomaly detection tasks for more powerful risk warning systems. Unfortunately, existing GCL-based models tend to excessively prioritize overall detection performance while neglecting robustness to structural imbalance, which can be problematic for many real-world networks following power-law degree distributions. Particularly, GCL-based methods may fail to capture tail anomalies (abnormal nodes with low degrees). This raises concerns about the security and robustness of current anomaly detection algorithms and therefore hinders their applicability in a variety of realistic high-risk scenarios. To the best of our knowledge, research on the robustness of graph anomaly detection to structural imbalance has received little scrutiny. To address the above issues, this paper presents a novel GCL-based framework named AD-GCL. It devises the neighbor pruning strategy to filter noisy edges for head nodes and facilitate the detection of genuine tail nodes by aligning from head nodes to forged tail nodes. Moreover, AD-GCL actively explores potential neighbors to enlarge the receptive field of tail nodes through anomaly-guided neighbor completion. We further introduce intra- and inter-view consistency loss of the original and augmentation graph for enhanced representation. The performance evaluation of the whole, head, and tail nodes on multiple datasets validates the comprehensive superiority of the proposed AD-GCL in detecting both head anomalies and tail anomalies.
• Abstract（参考訳）: グラフコントラスト学習(GCL)の優位性は、より強力なリスク警告システムのための異常検出タスクへの応用を促している。 残念ながら、既存のGCLベースのモデルは、構造的不均衡に頑健さを無視しながら全体的な検出性能を過度に優先順位付けする傾向がある。 特に、GCLベースの手法は尾の異常(低緯度で異常なノード)を捉えるのに失敗することがある。 これにより、現在の異常検出アルゴリズムのセキュリティと堅牢性に対する懸念が高まり、さまざまな現実的なハイリスクシナリオにおける適用性を阻害する。 我々の知る限り、構造的不均衡に対するグラフ異常検出の堅牢性に関する研究はほとんど精査されていない。 本稿では,AD-GCLという新しいGCLベースのフレームワークを提案する。 ヘッドノードのノイズの多いエッジをフィルタリングし、ヘッドノードから鍛造されたテールノードに整列することで、真のテールノードの検出を容易にする、隣のプルーニング戦略を考案した。 さらに、AD-GCLは、異常誘導された隣の完了によって尾節の受容野を拡大するために、潜在的隣人を積極的に探究する。 さらに、拡張表現のためのオリジナルおよび拡張グラフのビュー内およびビュー間一貫性損失を導入する。 複数のデータセットにおける頭,尾のノード全体の性能評価は,頭部異常と尾の異常の両方を検出する上で,提案したAD-GCLの総合的な優位性を検証する。

関連論文リスト

• Unsupervised Graph Anomaly Detection via Multi-Hypersphere Heterophilic Graph Learning [7.277472116667557]
  Graph Anomaly(GAD)は、eコマース詐欺や悪意のあるユーザー検出など、さまざまなデータマイニングアプリケーションにおいて重要な役割を果たす。 本稿では,潜在的な異常に対する識別可能な異常表現を学習するためのヘテロ親和性グラフ検出(HGE)モジュールを提案する。 そこで本稿では,コンテキスト依存型異常の検出能力を高めるために,マルチハイパースフィア学習(MHL)モジュールを提案する。
  論文  参考訳（メタデータ） (2025-03-15T08:08:13Z)
• 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)
• Multitask Active Learning for Graph Anomaly Detection [48.690169078479116]
  MultItask acTIve Graph Anomaly Detection framework,すなわちMITIGATEを提案する。 ノード分類タスクを結合することにより、MITIGATEは既知の異常を伴わずに配布外ノードを検出する能力を得る。 4つのデータセットに関する実証的研究は、MITIGATEが異常検出のための最先端の手法を著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2024-01-24T03:43:45Z)
• ADA-GAD: Anomaly-Denoised Autoencoders for Graph Anomaly Detection [84.0718034981805]
  我々はAnomaly-Denoized Autoencoders for Graph Anomaly Detection (ADA-GAD)という新しいフレームワークを導入する。 第1段階では,異常レベルを低減したグラフを生成する学習自由な異常化拡張法を設計する。 次の段階では、デコーダは元のグラフで検出するために再訓練される。
  論文  参考訳（メタデータ） (2023-12-22T09:02:01Z)
• Open-Set Graph Anomaly Detection via Normal Structure Regularisation [30.638274744518682]
  Open-set Graph Anomaly Detection (GAD)は、少数の正規ノードと異常ノードを使用して検出モデルをトレーニングすることを目的としている。 現在の監督型GAD法は、目に見えない異常を正常なノードとして検出する多くの誤りを招き、その異常を過度に強調する傾向にある。 本稿では,新しいオープンセットGAD手法,すなわち正規構造正規化(NSReg)を提案する。
  論文  参考訳（メタデータ） (2023-11-12T13:25:28Z)
• 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)
• GAD-NR: Graph Anomaly Detection via Neighborhood Reconstruction [34.82023223790515]
  グラフオートエンコーダ(GAE)はグラフデータをノード表現にエンコードし、これらの表現に基づいてグラフの再構成品質を評価することで異常を識別する。 グラフ異常検出のための近傍再構成を組み込んだ新しいGAEであるGAD-NRを提案する。 6つの実世界のデータセットで実施された大規模な実験は、GAD-NRの有効性を検証し、最先端の競合相手よりも顕著な改善(AUCでは最大30%)を示す。
  論文  参考訳（メタデータ） (2023-06-02T23:23:34Z)
• 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)
• 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。