論文の概要: Addressing Graph Anomaly Detection via Causal Edge Separation and Spectrum

• arxiv url: http://arxiv.org/abs/2508.14684v1
• Date: Wed, 20 Aug 2025 12:59:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-21 16:52:41.457739
• Title: Addressing Graph Anomaly Detection via Causal Edge Separation and Spectrum
• Title（参考訳）: 因果エッジ分離とスペクトルを用いたグラフ異常検出
• Authors: Zengyi Wo, Wenjun Wang, Minglai Shao, Chang Liu, Yumeng Wang, Yueheng Sun,
• Abstract要約: 現実の世界では、異常なエンティティは、他の異常なエンティティと直接リンクを隠しながら、より正当な接続を追加することが多い。 本研究は, 異性度が異なるノードのスペクトル分布を解析し, 異常ノードの不均一性がスペクトルエネルギーのシフトを引き起こすことを明らかにする。 異種グラフ上の異常検出のための因果エッジ分離に基づくスペクトルニューラルネットワークCES2-GADを提案する。
• 参考スコア（独自算出の注目度）: 6.722106415172189
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the real world, anomalous entities often add more legitimate connections while hiding direct links with other anomalous entities, leading to heterophilic structures in anomalous networks that most GNN-based techniques fail to address. Several works have been proposed to tackle this issue in the spatial domain. However, these methods overlook the complex relationships between node structure encoding, node features, and their contextual environment and rely on principled guidance, research on solving spectral domain heterophilic problems remains limited. This study analyzes the spectral distribution of nodes with different heterophilic degrees and discovers that the heterophily of anomalous nodes causes the spectral energy to shift from low to high frequencies. To address the above challenges, we propose a spectral neural network CES2-GAD based on causal edge separation for anomaly detection on heterophilic graphs. Firstly, CES2-GAD will separate the original graph into homophilic and heterophilic edges using causal interventions. Subsequently, various hybrid-spectrum filters are used to capture signals from the segmented graphs. Finally, representations from multiple signals are concatenated and input into a classifier to predict anomalies. Extensive experiments with real-world datasets have proven the effectiveness of the method we proposed.
• Abstract（参考訳）: 現実の世界では、異常なエンティティは、他の異常なエンティティと直接リンクを隠しながら、より正当な接続を付加することが多く、ほとんどのGNNベースのテクニックでは対処できない異常なネットワークにおける異種親和性構造をもたらす。 空間領域におけるこの問題に対処するためのいくつかの研究が提案されている。 しかし、これらの手法は、ノード構造エンコーディング、ノード特徴、およびそれらのコンテキスト環境の間の複雑な関係を見落とし、原則化されたガイダンスに依存し、スペクトル領域のヘテロ親和性問題の解法に関する研究は限定的である。 本研究では, 異性度が異なるノードのスペクトル分布を解析し, 異常ノードの不均一性がスペクトルエネルギーを低周波から高周波にシフトさせることを示した。 上記の課題に対処するために、異種グラフ上の異常検出のための因果エッジ分離に基づくスペクトルニューラルネットワークCES2-GADを提案する。 第1に、CES2-GADは、元のグラフを因果介入を用いて、ホモ親和性およびヘテロ親和性エッジに分離する。 その後、セグメントグラフからの信号をキャプチャするために、様々なハイブリッドスペクトルフィルタが使用される。 最後に、複数の信号からの表現を連結し、異常を予測するために分類器に入力する。 実世界のデータセットを用いた大規模な実験により,提案手法の有効性が証明された。

関連論文リスト

• THeGCN: Temporal Heterophilic Graph Convolutional Network [51.25112923442657]
  本研究では,時間的ヘテロフィルグラフ畳み込みネットワーク(THeGCN)を提案し,両端(空間)ヘテロフィリーと時間的ヘテロフィリーを正確に捉える。 THeGCNモデルは2つの重要なコンポーネントで構成されている。 5つの実世界のデータセットで実施された大規模な実験により、THeGCNの有効性が検証された。
  論文  参考訳（メタデータ） (2024-12-21T01:52:03Z)
• 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)
• Revisiting Graph-Based Fraud Detection in Sight of Heterophily and Spectrum [26.62679288320554]
  グラフベースの不正検出(GFD)は、半教師付きノードバイナリ分類タスクとして困難なものと見なすことができる。 本稿では,セミ教師付きGNNベースの詐欺検知器SEC-GFDを提案する。 4つの実世界の不正検出データセットの総合的な実験結果は、SEC-GFDが他の競合グラフベースの不正検出よりも優れていることを示している。
  論文  参考訳（メタデータ） (2023-12-11T15:18:51Z)
• 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)
• 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)
• AHEAD: A Triple Attention Based Heterogeneous Graph Anomaly Detection Approach [23.096589854894884]
  AHEADは、エンコーダ-デコーダフレームワークに基づく教師なしグラフ異常検出アプローチである。 実世界の異種情報ネットワークにおけるAHEADの優位性を示す。
  論文  参考訳（メタデータ） (2022-08-17T10:08:28Z)
• Spectral-Spatial Global Graph Reasoning for Hyperspectral Image Classification [50.899576891296235]
  畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。 近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
  論文  参考訳（メタデータ） (2021-06-26T06:24:51Z)
• 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。