論文の概要: CRoC: Context Refactoring Contrast for Graph Anomaly Detection with Limited Supervision

• arxiv url: http://arxiv.org/abs/2508.12278v1
• Date: Sun, 17 Aug 2025 08:05:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:10.655523
• Title: CRoC: Context Refactoring Contrast for Graph Anomaly Detection with Limited Supervision
• Title（参考訳）: CRoC:限定スーパービジョンによるグラフ異常検出のためのコンテキストリファクタリングコントラスト
• Authors: Siyue Xie, Da Sun Handason Tam, Wing Cheong Lau,
• Abstract要約: グラフ異常検出(GAD)のためのグラフニューラルネットワーク(GNN)を学習するフレームワークであるコンテキストリファクタリングコントラスト(CRoC)を提案する。 CRoCは、GAD固有のクラス不均衡を利用して、ラベル付きおよび豊富なラベル付きデータを活用する。 トレーニングの段階では、CRoCは対照的な学習パラダイムとさらに統合されている。これにより、GNNはトレーニング中にラベルのないデータを効果的に活用し、よりリッチでより離散的なノードの埋め込みを生成することができる。
• 参考スコア（独自算出の注目度）: 12.30329438666503
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Neural Networks (GNNs) are widely used as the engine for various graph-related tasks, with their effectiveness in analyzing graph-structured data. However, training robust GNNs often demands abundant labeled data, which is a critical bottleneck in real-world applications. This limitation severely impedes progress in Graph Anomaly Detection (GAD), where anomalies are inherently rare, costly to label, and may actively camouflage their patterns to evade detection. To address these problems, we propose Context Refactoring Contrast (CRoC), a simple yet effective framework that trains GNNs for GAD by jointly leveraging limited labeled and abundant unlabeled data. Different from previous works, CRoC exploits the class imbalance inherent in GAD to refactor the context of each node, which builds augmented graphs by recomposing the attributes of nodes while preserving their interaction patterns. Furthermore, CRoC encodes heterogeneous relations separately and integrates them into the message-passing process, enhancing the model's capacity to capture complex interaction semantics. These operations preserve node semantics while encouraging robustness to adversarial camouflage, enabling GNNs to uncover intricate anomalous cases. In the training stage, CRoC is further integrated with the contrastive learning paradigm. This allows GNNs to effectively harness unlabeled data during joint training, producing richer, more discriminative node embeddings. CRoC is evaluated on seven real-world GAD datasets with varying scales. Extensive experiments demonstrate that CRoC achieves up to 14% AUC improvement over baseline GNNs and outperforms state-of-the-art GAD methods under limited-label settings.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は様々なグラフ関連タスクのエンジンとして広く使われており、グラフ構造化データの解析に有効である。 しかし、堅牢なGNNのトレーニングは、しばしば豊富なラベル付きデータを必要とする。 この制限は、グラフ異常検出(GAD)の進行を著しく阻害し、異常は本質的に稀であり、ラベルにコストがかかり、検出を避けるためにパターンを積極的にカモフラージュする可能性がある。 このような問題に対処するために,限定ラベル付きおよび豊富なラベル付きデータを活用することでGADのためのGNNをトレーニングする,シンプルかつ効果的なフレームワークであるContext Refactoring Contrast (CRoC)を提案する。 以前の作業とは異なり、CRoCはGAD固有のクラス不均衡を利用して各ノードのコンテキストをリファクタリングする。 さらに、CRoCは異種関係を別々にエンコードし、それらをメッセージパッシングプロセスに統合し、複雑な相互作用のセマンティクスをキャプチャするモデルの能力を高める。 これらの操作はノードのセマンティクスを保持しつつ、敵のカモフラージュに対して堅牢性を奨励し、GNNが複雑な異常なケースを発見できるようにする。 トレーニング段階では、CRoCは対照的な学習パラダイムとさらに統合される。 これにより、GNNは共同トレーニング中にラベルのないデータを効果的に活用し、よりリッチで差別的なノード埋め込みを生成することができる。 CRoCは、7つの実世界のGADデータセットで様々なスケールで評価される。 大規模な実験により、CRoCはベースラインのGNNよりも最大14%のAUC改善を実現し、限られたラベル設定下での最先端のGADメソッドよりも優れていた。

関連論文リスト

• Enhancing Fairness in Autoencoders for Node-Level Graph Anomaly Detection [3.487370856323828]
  グラフ異常検出(GAD)は、様々な領域でますます重要になっている。 しかし、GADの公平性に関する考察はいまだに過小評価されている。 我々は,GAD性能を維持しながらバイアスを軽減するフレームワークであるtextbfDistextbfEntangled textbfCounterfactual textbfAdversarial textbfFair (DECAF)-GADを提案する。
  論文  参考訳（メタデータ） (2025-08-14T16:12:15Z)
• Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
  グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。 本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。 ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
  論文  参考訳（メタデータ） (2024-12-20T04:05:09Z)
• Contrastive Graph Condensation: Advancing Data Versatility through Self-Supervised Learning [47.74244053386216]
  グラフ凝縮は、大規模原グラフのコンパクトで代替的なグラフを合成するための有望な解である。 本稿では、自己教師型代理タスクを取り入れたCTGC(Contrastive Graph Condensation)を導入し、元のグラフから批判的、因果的な情報を抽出する。 CTGCは、様々な下流タスクを限られたラベルで処理し、一貫して最先端のGCメソッドより優れている。
  論文  参考訳（メタデータ） (2024-11-26T03:01:22Z)
• Graph as a feature: improving node classification with non-neural graph-aware logistic regression [2.952177779219163]
  Graph-aware Logistic Regression (GLR) はノード分類タスク用に設計された非神経モデルである。 GNNにアクセスできる情報のごく一部しか使わない従来のグラフアルゴリズムとは異なり、提案モデルではノードの特徴とエンティティ間の関係を同時に活用する。
  論文  参考訳（メタデータ） (2024-11-19T08:32:14Z)
• HGAttack: Transferable Heterogeneous Graph Adversarial Attack [63.35560741500611]
  ヘテロジニアスグラフニューラルネットワーク(HGNN)は、Webやeコマースなどの分野でのパフォーマンスでますます認識されている。 本稿ではヘテロジニアスグラフに対する最初の専用グレーボックス回避手法であるHGAttackを紹介する。
  論文  参考訳（メタデータ） (2024-01-18T12:47:13Z)
• 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)
• Resisting Graph Adversarial Attack via Cooperative Homophilous Augmentation [60.50994154879244]
  最近の研究では、グラフニューラルネットワークは弱く、小さな摂動によって簡単に騙されることが示されている。 本研究では,グラフインジェクションアタック(Graph Injection Attack)という,新興だが重要な攻撃に焦点を当てる。 本稿では,グラフデータとモデルの協調的同好性増強によるGIAに対する汎用防衛フレームワークCHAGNNを提案する。
  論文  参考訳（メタデータ） (2022-11-15T11:44:31Z)
• SCGC : Self-Supervised Contrastive Graph Clustering [1.1470070927586016]
  グラフクラスタリングはネットワーク内のグループやコミュニティを検出する。 オートエンコーダのような深層学習手法は、豊富な構造情報を組み込むことはできない。 自己監督型コントラストグラフクラスタリング(SCGC)を提案する。
  論文  参考訳（メタデータ） (2022-04-27T01:38:46Z)

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。