論文の概要: A Survey of Generalization of Graph Anomaly Detection: From Transfer Learning to Foundation Models

• arxiv url: http://arxiv.org/abs/2509.06609v1
• Date: Mon, 08 Sep 2025 12:26:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:04.122984
• Title: A Survey of Generalization of Graph Anomaly Detection: From Transfer Learning to Foundation Models
• Title（参考訳）: グラフ異常検出の一般化に関する調査:伝達学習から基礎モデルへ
• Authors: Junjun Pan, Yu Zheng, Yue Tan, Yixin Liu,
• Abstract要約: 近年,グラフ異常検出(GAD)が注目されている。 ほとんどのGADメソッドは、同じトレーニングとテストのディストリビューションを前提としており、特定のタスクに合わせて調整されている。 最近の研究はGADモデルの一般化能力の向上に重点を置いている。
• 参考スコア（独自算出の注目度）: 16.61959138882931
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph anomaly detection (GAD) has attracted increasing attention in recent years for identifying malicious samples in a wide range of graph-based applications, such as social media and e-commerce. However, most GAD methods assume identical training and testing distributions and are tailored to specific tasks, resulting in limited adaptability to real-world scenarios such as shifting data distributions and scarce training samples in new applications. To address the limitations, recent work has focused on improving the generalization capability of GAD models through transfer learning that leverages knowledge from related domains to enhance detection performance, or developing "one-for-all" GAD foundation models that generalize across multiple applications. Since a systematic understanding of generalization in GAD is still lacking, in this paper, we provide a comprehensive review of generalization in GAD. We first trace the evolution of generalization in GAD and formalize the problem settings, which further leads to our systematic taxonomy. Rooted in this fine-grained taxonomy, an up-to-date and comprehensive review is conducted for the existing generalized GAD methods. Finally, we identify current open challenges and suggest future directions to inspire future research in this emerging field.
• Abstract（参考訳）: グラフ異常検出(GAD)は、ソーシャルメディアやeコマースなど、幅広いグラフベースのアプリケーションにおいて、悪意のあるサンプルを特定することで近年注目を集めている。 しかしながら、ほとんどのGADメソッドは、同じトレーニングとテストの分散を前提としており、特定のタスクに合わせて調整されており、結果として、データ分散のシフトや新しいアプリケーションでのトレーニングサンプルの不足といった現実のシナリオへの適応性が制限される。 この制限に対処するため、最近の研究は、関連するドメインからの知識を活用して検出性能を向上させるトランスファー学習や、複数のアプリケーションにまたがって一般化する「オール・フォー・オール」なGAD基盤モデルを開発することによって、GADモデルの一般化能力の向上に重点を置いている。 本稿では,GADにおける一般化の体系的理解がまだ欠如しているため,GADにおける一般化の包括的レビューを行う。 まず、GADにおける一般化の進化を辿り、問題設定を形式化し、さらに系統分類に繋がる。 この微粒な分類において、既存の一般化GAD法について、最新の総合的なレビューを行う。 最後に、現在進行中の課題を特定し、この新興分野における今後の研究を促すための今後の方向性を提案する。

関連論文リスト

• Anomaly Detection and Generation with Diffusion Models: A Survey [51.61574868316922]
  異常検出(AD)は、サイバーセキュリティ、金融、医療、工業製造など、さまざまな分野において重要な役割を担っている。 近年のディープラーニング,特に拡散モデル(DM)の進歩は,大きな関心を集めている。 この調査は、研究者や実践者が様々なアプリケーションにまたがる革新的なADソリューションにDMを利用することをガイドすることを目的としている。
  論文  参考訳（メタデータ） (2025-06-11T03:29:18Z)
• Generative Classifier for Domain Generalization [84.92088101715116]
  ドメインの一般化は、分散シフトに対するコンピュータビジョンモデルの一般化性を目的としている。 生成駆動型ドメイン一般化(GCDG)を提案する。 GCDGは3つの重要なモジュールから構成される: 異種性学習(HLC)、純粋相関(SCB)、横成分バランス(DCB)。
  論文  参考訳（メタデータ） (2025-04-03T04:38:33Z)
• Out-of-Distribution Detection on Graphs: A Survey [58.47395497985277]
  グラフアウト・オブ・ディストリビューション(GOOD)検出は、トレーニング中に見られる分布から逸脱するグラフデータを特定することに焦点を当てる。 既存の手法を,拡張ベース,再構築ベース,情報伝達ベース,分類ベースという4つのタイプに分類する。 本稿では,グラフデータによるユニークな課題を浮き彫りにして,実践的応用と理論的基礎について論じる。
  論文  参考訳（メタデータ） (2025-02-12T04:07:12Z)
• Deep Graph Anomaly Detection: A Survey and New Perspectives [86.84201183954016]
  グラフ異常検出(GAD)は、異常なグラフインスタンス(ノード、エッジ、サブグラフ、グラフ)を特定することを目的とする。 ディープラーニングアプローチ、特にグラフニューラルネットワーク(GNN)は、GADにとって有望なパラダイムとして現れています。
  論文  参考訳（メタデータ） (2024-09-16T03:05:11Z)
• Federated Domain Generalization: A Survey [12.84261944926547]
  機械学習では、データはさまざまなデバイス、組織、エッジノードに分散されることが多い。 この課題に応えて、連邦領域の一般化への関心が高まっている。 本稿では,この領域における最近の進歩に関する最初の調査について述べる。
  論文  参考訳（メタデータ） (2023-06-02T07:55:42Z)
• Reappraising Domain Generalization in Neural Networks [8.06370138649329]
  機械学習アルゴリズムのドメイン一般化(DG)は、複数のトレーニング分布からドメインに依存しない仮説を学習する能力として定義される。 経験的リスク最小化(ERM)ベースラインは,既存のDG手法を一貫して上回っていることがわかった。 そこで我々は,各クラスに対してランダムにドメインを選択して,それをテスト用として保持する,クラスワイズDGの定式化を提案する。
  論文  参考訳（メタデータ） (2021-10-15T10:06:40Z)
• Domain Generalization: A Survey [146.68420112164577]
  ドメイン一般化(DG)は、モデル学習にソースドメインデータを使用するだけでOOD一般化を実現することを目的としています。 初めて、DGの10年の開発をまとめるために包括的な文献レビューが提供されます。
  論文  参考訳（メタデータ） (2021-03-03T16:12:22Z)

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。