論文の概要: GRASPED: Graph Anomaly Detection using Autoencoder with Spectral Encoder and Decoder (Full Version)
- arxiv url: http://arxiv.org/abs/2508.15633v1
- Date: Thu, 21 Aug 2025 14:57:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-22 16:26:46.375113
- Title: GRASPED: Graph Anomaly Detection using Autoencoder with Spectral Encoder and Decoder (Full Version)
- Title（参考訳）: GRASPED: スペクトルエンコーダとデコーダを用いたオートエンコーダによるグラフ異常検出(フルバージョン)
- Authors: Wei Herng Choong, Jixing Liu, Ching-Yu Kao, Philip Sperl,
- Abstract要約: ノード異常検出のためのスペクトル・スペクトルデコーダ(GRASPED)を用いたグラフオートエンコーダを提案する。
GRASPEDは、グローバルおよびローカルグラフ情報を複数のスケールでキャプチャする帯域通過フィルタ特性を示す。
いくつかの実世界のグラフ異常検出データセットの実験は、GRASPEDが現在の最先端モデルより優れていることを示した。
- 参考スコア（独自算出の注目度）: 1.032916294688289
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph machine learning has been widely explored in various domains, such as community detection, transaction analysis, and recommendation systems. In these applications, anomaly detection plays an important role. Recently, studies have shown that anomalies on graphs induce spectral shifts. Some supervised methods have improved the utilization of such spectral domain information. However, they remain limited by the scarcity of labeled data due to the nature of anomalies. On the other hand, existing unsupervised learning approaches predominantly rely on spatial information or only employ low-pass filters, thereby losing the capacity for multi-band analysis. In this paper, we propose Graph Autoencoder with Spectral Encoder and Spectral Decoder (GRASPED) for node anomaly detection. Our unsupervised learning model features an encoder based on Graph Wavelet Convolution, along with structural and attribute decoders. The Graph Wavelet Convolution-based encoder, combined with a Wiener Graph Deconvolution-based decoder, exhibits bandpass filter characteristics that capture global and local graph information at multiple scales. This design allows for a learning-based reconstruction of node attributes, effectively capturing anomaly information. Extensive experiments on several real-world graph anomaly detection datasets demonstrate that GRASPED outperforms current state-of-the-art models.
- Abstract（参考訳）: グラフ機械学習は、コミュニティ検出、トランザクション分析、レコメンデーションシステムなど、様々な領域で広く研究されている。
これらの応用において、異常検出は重要な役割を果たす。
近年、グラフ上の異常がスペクトルシフトを引き起こすことが研究で示されている。
いくつかの教師付き手法は、そのようなスペクトル領域情報の利用を改善した。
しかし、これらは異常の性質からラベル付きデータの不足によって制限されている。
一方、既存の教師なし学習手法は、主に空間情報に依存するか、低域フィルタのみを用いるため、マルチバンド解析の能力を失う。
本稿では、ノード異常検出のためのスペクトルエンコーダとスペクトルデコーダ(GRASPED)を用いたグラフオートエンコーダを提案する。
我々の教師なし学習モデルは、構造と属性のデコーダとともに、グラフウェーブレット畳み込みに基づくエンコーダを備えている。
Graph Wavelet ConvolutionベースのエンコーダとWiener Graph Deconvolutionベースのデコーダは、グローバルおよびローカルグラフ情報を複数のスケールでキャプチャする帯域通過フィルタ特性を示す。
この設計は、ノード属性の学習に基づく再構築を可能にし、異常情報を効果的にキャプチャする。
いくつかの実世界のグラフ異常検出データセットに対する大規模な実験は、GRASPEDが現在の最先端モデルより優れていることを示した。
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) - Graph Neural Networks Are More Than Filters: Revisiting and Benchmarking from A Spectral Perspective [49.613774305350084]
グラフニューラルネットワーク(GNN)は、様々なグラフベースの学習タスクにおいて顕著な成功を収めている。
近年の研究では、非線形層などの他のコンポーネントが、GNNがスペクトル領域の入力グラフデータをどのように処理するかに大きく影響する可能性が示唆されている。
本稿では、入力グラフデータの異なる周波数成分に符号化された情報を捕捉し、活用する際のGNNの能力を評価するための総合的なベンチマークを提案する。
論文 参考訳（メタデータ） (2024-12-10T04:53:53Z) - GrassNet: State Space Model Meets Graph Neural Network [57.62885438406724]
Graph State Space Network (GrassNet)は、任意のグラフスペクトルフィルタを設計するためのシンプルで効果的なスキームを提供する理論的なサポートを持つ、新しいグラフニューラルネットワークである。
我々の知る限り、我々の研究はグラフGNNスペクトルフィルタの設計にSSMを使った最初のものである。
9つの公開ベンチマークでの大規模な実験により、GrassNetは現実世界のグラフモデリングタスクにおいて優れたパフォーマンスを達成することが明らかになった。
論文 参考訳（メタデータ） (2024-08-16T07:33:58Z) - GLADformer: A Mixed Perspective for Graph-level Anomaly Detection [24.961973151394826]
マルチパースペクティブなグラフレベルの異常検出器であるGLADformerを提案する。
具体的には、まず、グローバルスペクトル拡張を用いたグラフトランスフォーマーモジュールを設計する。
局所的な異常特性を明らかにするため、帯域通過スペクトルGNNメッセージパッシングモジュールをカスタマイズする。
論文 参考訳（メタデータ） (2024-06-02T12:51:48Z) - 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) - 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) - DAGAD: Data Augmentation for Graph Anomaly Detection [57.92471847260541]
本稿では、属性グラフのための新しいデータ拡張ベースのグラフ異常検出(DAGAD)フレームワークを考案する。
3つのデータセットに関する一連の実験は、DAGADが様々な主に使用されるメトリクスに関して、10の最先端のベースライン検出器より優れていることを証明している。
論文 参考訳（メタデータ） (2022-10-18T11:28:21Z) - From Unsupervised to Few-shot Graph Anomaly Detection: A Multi-scale Contrastive Learning Approach [26.973056364587766]
グラフデータからの異常検出は、ソーシャルネットワーク、金融、eコマースなど、多くのアプリケーションにおいて重要なデータマイニングタスクである。
マルチスケールcONtrastive lEarning(略してANEMONE)を用いた新しいフレームワーク, graph Anomaly dEtection フレームワークを提案する。
グラフニューラルネットワークをバックボーンとして、複数のグラフスケール(ビュー)から情報をエンコードすることで、グラフ内のノードのより良い表現を学習する。
論文 参考訳（メタデータ） (2022-02-11T09:45:11Z) - Quasi-Framelets: Robust Graph Neural Networks via Adaptive Framelet Convolution [28.474359021962346]
スペクトルグラフニューラルネットワーク(GNN)のためのマルチスケールフレームレット畳み込みを提案する。
提案設計は、不要なスペクトル情報をフィルタリングし、ノイズグラフ信号の悪影響を著しく低減する。
ノイズの多いデータや敵攻撃に対する優れたレジリエンスを示しており、現実世界のグラフアプリケーションに対する堅牢なソリューションとしての可能性を強調している。
論文 参考訳（メタデータ） (2022-01-11T00:10:28Z) - 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。