論文の概要: GTHNA: Local-global Graph Transformer with Memory Reconstruction for Holistic Node Anomaly Evaluation

• arxiv url: http://arxiv.org/abs/2509.10869v1
• Date: Sat, 13 Sep 2025 15:52:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:22.823784
• Title: GTHNA: Local-global Graph Transformer with Memory Reconstruction for Holistic Node Anomaly Evaluation
• Title（参考訳）: GTHNA: ホロスティックノード異常評価のためのメモリ再構成付き局所グロバルグラフ変換器
• Authors: Mingkang Li, Xuexiong Luo, Yue Zhang, Yaoyang Li, Fu Lin,
• Abstract要約: グラフ構造化データの異常検出は本質的に難しい問題である。 グラフ畳み込みネットワーク(GCN)に基づく既存の手法は、しばしば過度にスムーシングに悩まされる。 本稿では,3つの重要なコンポーネントを統合した,新規で総合的な異常評価フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 7.287914649294607
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection in graph-structured data is an inherently challenging problem, as it requires the identification of rare nodes that deviate from the majority in both their structural and behavioral characteristics. Existing methods, such as those based on graph convolutional networks (GCNs), often suffer from over-smoothing, which causes the learned node representations to become indistinguishable. Furthermore, graph reconstruction-based approaches are vulnerable to anomalous node interference during the reconstruction process, leading to inaccurate anomaly detection. In this work, we propose a novel and holistic anomaly evaluation framework that integrates three key components: a local-global Transformer encoder, a memory-guided reconstruction mechanism, and a multi-scale representation matching strategy. These components work synergistically to enhance the model's ability to capture both local and global structural dependencies, suppress the influence of anomalous nodes, and assess anomalies from multiple levels of granularity. Anomaly scores are computed by combining reconstruction errors and memory matching signals, resulting in a more robust evaluation. Extensive experiments on seven benchmark datasets demonstrate that our method outperforms existing state-of-the-art approaches, offering a comprehensive and generalizable solution for anomaly detection across various graph domains.
• Abstract（参考訳）: グラフ構造化データの異常検出は、構造的特性と挙動的特性の両方において多数から逸脱する稀なノードを識別する必要があるため、本質的に難しい問題である。 グラフ畳み込みネットワーク(GCN)に基づく既存の手法は、しばしば過度なスムーシングに悩まされ、学習ノード表現が区別不能になる。 さらに、グラフ再構成に基づくアプローチは、再構成プロセス中の異常ノード干渉に対して脆弱であり、不正確な異常検出につながる。 本研究では,ローカル・グローバル・トランスフォーマー・エンコーダ,メモリ誘導再構成機構,マルチスケール表現マッチング戦略という,3つの重要なコンポーネントを統合した,新規で総合的な異常評価フレームワークを提案する。 これらのコンポーネントは、局所的およびグローバルな構造的依存関係を捕捉し、異常ノードの影響を抑制し、複数のレベルの粒度から異常を評価するモデルの能力を高めるために、相乗的に機能する。 再構成エラーとメモリマッチング信号を組み合わせることで異常スコアを計算し、より堅牢な評価を行う。 7つのベンチマークデータセットに対する大規模な実験により、我々の手法は既存の最先端手法よりも優れており、様々なグラフ領域にわたる異常検出のための包括的で一般化可能なソリューションを提供する。

関連論文リスト

• What Improves the Generalization of Graph Transformers? A Theoretical Dive into the Self-attention and Positional Encoding [67.59552859593985]
  自己アテンションと位置エンコーディングを組み込んだグラフトランスフォーマーは、さまざまなグラフ学習タスクのための強力なアーキテクチャとして登場した。 本稿では,半教師付き分類のための浅いグラフ変換器の理論的検討について紹介する。
  論文  参考訳（メタデータ） (2024-06-04T05:30:16Z)
• ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
  ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。 ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。 各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
  論文  参考訳（メタデータ） (2024-05-27T02:42:33Z)
• GAD-NR: Graph Anomaly Detection via Neighborhood Reconstruction [34.82023223790515]
  グラフオートエンコーダ(GAE)はグラフデータをノード表現にエンコードし、これらの表現に基づいてグラフの再構成品質を評価することで異常を識別する。 グラフ異常検出のための近傍再構成を組み込んだ新しいGAEであるGAD-NRを提案する。 6つの実世界のデータセットで実施された大規模な実験は、GAD-NRの有効性を検証し、最先端の競合相手よりも顕著な改善(AUCでは最大30%)を示す。
  論文  参考訳（メタデータ） (2023-06-02T23:23:34Z)
• 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)
• 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。