論文の概要: FreeGAD: A Training-Free yet Effective Approach for Graph Anomaly Detection

• arxiv url: http://arxiv.org/abs/2508.10594v1
• Date: Thu, 14 Aug 2025 12:37:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-15 22:24:48.311054
• Title: FreeGAD: A Training-Free yet Effective Approach for Graph Anomaly Detection
• Title（参考訳）: FreeGAD: グラフ異常検出のためのトレーニング不要で効果的なアプローチ
• Authors: Yunfeng Zhao, Yixin Liu, Shiyuan Li, Qingfeng Chen, Yu Zheng, Shirui Pan,
• Abstract要約: Graph Anomaly Detection (GAD)は、グラフ内の多数から逸脱するノードを特定することを目的としている。 既存のアプローチは、複雑でリソース集約的なトレーニングプロセスのために、高デプロイメントコストとスケーラビリティの不足に悩まされることが多い。 新たなGAD法であるFreeGADを提案する。
• 参考スコア（独自算出の注目度）: 54.576802512108685
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Anomaly Detection (GAD) aims to identify nodes that deviate from the majority within a graph, playing a crucial role in applications such as social networks and e-commerce. Despite the current advancements in deep learning-based GAD, existing approaches often suffer from high deployment costs and poor scalability due to their complex and resource-intensive training processes. Surprisingly, our empirical findings suggest that the training phase of deep GAD methods, commonly perceived as crucial, may actually contribute less to anomaly detection performance than expected. Inspired by this, we propose FreeGAD, a novel training-free yet effective GAD method. Specifically, it leverages an affinity-gated residual encoder to generate anomaly-aware representations. Meanwhile, FreeGAD identifies anchor nodes as pseudo-normal and anomalous guides, followed by calculating anomaly scores through anchor-guided statistical deviations. Extensive experiments demonstrate that FreeGAD achieves superior anomaly detection performance, efficiency, and scalability on multiple benchmark datasets from diverse domains, without any training or iterative optimization.
• Abstract（参考訳）: Graph Anomaly Detection (GAD)は、グラフ内の多数から逸脱するノードを特定し、ソーシャルネットワークやeコマースなどのアプリケーションにおいて重要な役割を果たすことを目的としている。 ディープラーニングベースのGADの現在の進歩にもかかわらず、既存のアプローチは、複雑でリソース集約的なトレーニングプロセスのため、デプロイメントコストとスケーラビリティの低下に悩まされることが多い。 意外なことに,本研究は深部GAD法の訓練段階が,予想以上に異常検出性能に寄与する可能性が示唆された。 そこで本研究では,新しいGAD法であるFreeGADを提案する。 具体的には、親和性を持つ残留エンコーダを利用して、異常認識表現を生成する。 一方、FreeGADはアンカーノードを疑似正規および異常ガイドとして識別し、続いてアンカーガイド付き統計偏差による異常スコアを計算する。 大規模な実験により、FreeGADは、トレーニングや反復最適化なしに、さまざまなドメインからの複数のベンチマークデータセットに対して、優れた異常検出性能、効率、スケーラビリティを実現することが示された。

関連論文リスト

• EAGLE: Contrastive Learning for Efficient Graph Anomaly Detection [12.347459417820389]
  異種グラフ上でのコントラストLearning(EAGLE)による効率的な異常検出モデルを提案する。 提案手法は,コントラスト学習のためのメタパスレベルをまずサンプリングする。 次に、グラフオートエンコーダに基づくモデルを用いて、教師なしの方法で情報ノードの埋め込みを学習し、さらに識別器と組み合わせてノードの異常スコアを予測する。
  論文  参考訳（メタデータ） (2025-05-12T12:45:07Z)
• 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)
• 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)
• FGAD: Self-boosted Knowledge Distillation for An Effective Federated Graph Anomaly Detection Framework [33.62637380192881]
  グラフ異常検出(GAD)は、他のグラフと大きく異なる異常グラフを特定することを目的としている。 既存のGADメソッドは通常、集中的なトレーニングで実行される。 本稿では,これらの課題に対処する効果的なフェデレーショングラフ異常検出フレームワーク(FGAD)を提案する。
  論文  参考訳（メタデータ） (2024-02-20T07:03:59Z)
• Few-shot Message-Enhanced Contrastive Learning for Graph Anomaly Detection [15.757864894708364]
  グラフ異常検出は、多数派から大きく逸脱するグラフデータの例外的なインスタンスを特定する上で重要な役割を果たす。 我々はFMGADと呼ばれる新しい数ショットグラフ異常検出モデルを提案する。 FMGADは, 人工的に注入された異常やドメイン・有機異常によらず, 他の最先端手法よりも優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2023-11-17T07:49:20Z)
• PREM: A Simple Yet Effective Approach for Node-Level Graph Anomaly Detection [65.24854366973794]
  ノードレベルのグラフ異常検出(GAD)は、医学、ソーシャルネットワーク、eコマースなどの分野におけるグラフ構造化データから異常ノードを特定する上で重要な役割を果たす。 本稿では,GADの効率を向上させるために,PREM (preprocessing and Matching) という簡単な手法を提案する。 我々のアプローチは、強力な異常検出機能を維持しながら、GADを合理化し、時間とメモリ消費を削減します。
  論文  参考訳（メタデータ） (2023-10-18T02:59:57Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)

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。