論文の概要: DP-DGAD: A Generalist Dynamic Graph Anomaly Detector with Dynamic Prototypes

• arxiv url: http://arxiv.org/abs/2508.00664v1
• Date: Fri, 01 Aug 2025 14:35:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-04 18:08:53.911516
• Title: DP-DGAD: A Generalist Dynamic Graph Anomaly Detector with Dynamic Prototypes
• Title（参考訳）: DP-DGAD:動的プロトタイプ付き汎用動的グラフ異常検出器
• Authors: Jialun Zheng, Jie Liu, Jiannong Cao, Xiao Wang, Hanchen Yang, Yankai Chen, Philip S. Yu,
• Abstract要約: 動的グラフ異常検出(DGAD)は、金融、トラフィック、ソーシャルネットワークなどの分野にわたるグラフの進化における異常を特定するために不可欠である。 本稿では,動的プロトタイプ(DP)を用いたDGADモデルを提案する。 DP-DGADは、ターゲットドメインにおける効果的な自己教師付き適応に信頼に基づく疑似ラベルを用いる。
• 参考スコア（独自算出の注目度）: 43.326258937751625
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamic graph anomaly detection (DGAD) is essential for identifying anomalies in evolving graphs across domains such as finance, traffic, and social networks. Recently, generalist graph anomaly detection (GAD) models have shown promising results. They are pretrained on multiple source datasets and generalize across domains. While effective on static graphs, they struggle to capture evolving anomalies in dynamic graphs. Moreover, the continuous emergence of new domains and the lack of labeled data further challenge generalist DGAD. Effective cross-domain DGAD requires both domain-specific and domain-agnostic anomalous patterns. Importantly, these patterns evolve temporally within and across domains. Building on these insights, we propose a DGAD model with Dynamic Prototypes (DP) to capture evolving domain-specific and domain-agnostic patterns. Firstly, DP-DGAD extracts dynamic prototypes, i.e., evolving representations of normal and anomalous patterns, from temporal ego-graphs and stores them in a memory buffer. The buffer is selectively updated to retain general, domain-agnostic patterns while incorporating new domain-specific ones. Then, an anomaly scorer compares incoming data with dynamic prototypes to flag both general and domain-specific anomalies. Finally, DP-DGAD employs confidence-based pseudo-labeling for effective self-supervised adaptation in target domains. Extensive experiments demonstrate state-of-the-art performance across ten real-world datasets from different domains.
• Abstract（参考訳）: 動的グラフ異常検出(DGAD)は、金融、トラフィック、ソーシャルネットワークなどの分野にわたるグラフの進化における異常を特定するために不可欠である。 近年,一般グラフ異常検出(GAD)モデルが有望な結果を示している。 それらは複数のソースデータセットで事前トレーニングされ、ドメインにわたって一般化される。 静的グラフでは有効であるが、動的グラフの進化する異常を捉えるのに苦労する。 さらに、新しいドメインの継続的な出現とラベル付きデータの欠如は、さらに一般のDGADに挑戦する。 効果的なドメイン間DGADはドメイン固有パターンとドメイン非依存パターンの両方を必要とする。 重要なことに、これらのパターンはドメイン内およびドメイン間で時間的に進化する。 これらの知見に基づいて,動的プロトタイプ(DP)を用いたDGADモデルを提案し,ドメイン固有パターンとドメイン非依存パターンの進化を捉える。 まず、DP-DGADは時間的エゴグラフから正規パターンと異常パターンの進化表現を抽出し、メモリバッファに格納する。 バッファは選択的に更新され、新しいドメイン固有のパターンを取り入れながら、一般的なドメインに依存しないパターンを保持する。 そして、異常スコアラが受信したデータと動的なプロトタイプを比較して、一般およびドメイン固有の異常をフラグする。 最後に、DP-DGADは、信頼に基づく疑似ラベルを用いて、ターゲットドメインにおける効果的な自己教師付き適応を行う。 大規模な実験では、異なるドメインから10の現実世界のデータセットにまたがる最先端のパフォーマンスが実証されている。

関連論文リスト

• AnomalyGFM: Graph Foundation Model for Zero/Few-shot Anomaly Detection [22.584555292512427]
  AnomalyGFMは、GADのためのゼロショット推論と少数ショットプロンプトチューニングをサポートするグラフ基盤モデルである。 AnomalyGFMは、ゼロショットと少数ショットのGAD設定の両方で、最先端の競合手法よりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2025-02-13T12:10:05Z)
• Semi-supervised Anomaly Detection with Extremely Limited Labels in Dynamic Graphs [5.415950005432774]
  ラベルが極端に制限された動的グラフにおける異常検出問題に対処する新しいGADフレームワーク(EL$2-DGAD)を提案する。 具体的には、変圧器をベースとしたグラフエンコーダモデルにより、局所的な近傍を超えて進化するグラフ構造をより効果的に保存するように設計されている。
  論文  参考訳（メタデータ） (2025-01-25T02:35:48Z)
• One Model for One Graph: A New Perspective for Pretraining with Cross-domain Graphs [59.7297608804716]
  複雑なネットワークパターンをキャプチャする強力なツールとして、グラフニューラルネットワーク(GNN)が登場した。 既存のGNNには、慎重にドメイン固有のアーキテクチャ設計と、データセットのスクラッチからのトレーニングが必要です。 我々は、新しいクロスドメイン事前学習フレームワーク「1つのグラフのための1つのモデル」を提案する。
  論文  参考訳（メタデータ） (2024-11-30T01:49:45Z)
• Zero-shot Generalist Graph Anomaly Detection with Unified Neighborhood Prompts [21.05107001235223]
  グラフ異常検出(GAD)は、通常のパターンから著しく逸脱したグラフ内のノードを特定することを目的としている。 既存のGADメソッドは、1-model-for-one-datasetアプローチである。 ゼロショット・ジェネラリストの新規なGADアプローチUNPromptを提案する。
  論文  参考訳（メタデータ） (2024-10-18T22:23:59Z)
• Disentangling Masked Autoencoders for Unsupervised Domain Generalization [57.56744870106124]
  教師なしの領域一般化は急速に注目されているが、まだ十分に研究されていない。 Disentangled Masked Auto (DisMAE) は、本質的な特徴を忠実に示す不整合表現を発見することを目的としている。 DisMAEは、セマンティックで軽量な変分エンコーダを備えた非対称なデュアルブランチアーキテクチャを共同で訓練する。
  論文  参考訳（メタデータ） (2024-07-10T11:11:36Z)
• DACAD: Domain Adaptation Contrastive Learning for Anomaly Detection in Multivariate Time Series [61.91288852233078]
  時系列異常検出では、ラベル付きデータの不足が正確なモデルの開発に困難をもたらす。 時系列における異常検出のための新しいドメインコントラスト学習モデル(DACAD)を提案する。 本モデルでは,ソース領域に対する教師付きコントラスト損失と,ターゲット領域に対する自己監督型コントラスト型3重項損失を用いる。
  論文  参考訳（メタデータ） (2024-04-17T11:20:14Z)
• EvoluNet: Advancing Dynamic Non-IID Transfer Learning on Graphs [13.035783088697661]
  グラフ上の動的非IID移動学習のための一般化を提案する。 理論的結果に触発されて,EvoluNetという新しい汎用フレームワークを導入する。 EvoluNetは最先端のモデルを最大12.1%上回っている。
  論文  参考訳（メタデータ） (2023-05-01T05:26:33Z)
• Finding Diverse and Predictable Subgraphs for Graph Domain Generalization [88.32356432272356]
  本稿では,不明瞭な分布シフトにより性能が低下するグラフの分布外一般化に着目した。 本稿では,DPSと呼ばれる新しいグラフ領域の一般化フレームワークを提案する。 ノードレベルのベンチマークとグラフレベルのベンチマークの両方の実験により、提案したDPSはグラフ領域の一般化タスクにおいて印象的な性能を発揮することが示された。
  論文  参考訳（メタデータ） (2022-06-19T07:57:56Z)
• 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。