論文の概要: Robust Anomaly Detection Under Normality Distribution Shift in Dynamic Graphs

• arxiv url: http://arxiv.org/abs/2509.17400v1
• Date: Mon, 22 Sep 2025 06:59:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.247325
• Title: Robust Anomaly Detection Under Normality Distribution Shift in Dynamic Graphs
• Title（参考訳）: 動的グラフにおける正規分布シフトによるロバスト異常検出
• Authors: Xiaoyang Xu, Xiaofeng Lin, Koh Takeuchi, Kyohei Atarashi, Hisashi Kashima,
• Abstract要約: WhENDSは、新しい教師なし異常検出法である。 分布統計を推定し、ホワイトニング変換を適用することで、通常のエッジ埋め込みを時間にわたって整列させる。 広く使われている4つの動的グラフデータセットの実験では、WhENDSは9つの強いベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 14.892578927318404
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomaly detection in dynamic graphs is a critical task with broad real-world applications, including social networks, e-commerce, and cybersecurity. Most existing methods assume that normal patterns remain stable over time; however, this assumption often fails in practice due to the phenomenon we refer to as normality distribution shift (NDS), where normal behaviors evolve over time. Ignoring NDS can lead models to misclassify shifted normal instances as anomalies, degrading detection performance. To tackle this issue, we propose WhENDS, a novel unsupervised anomaly detection method that aligns normal edge embeddings across time by estimating distributional statistics and applying whitening transformations. Extensive experiments on four widely-used dynamic graph datasets show that WhENDS consistently outperforms nine strong baselines, achieving state-of-the-art results and underscoring the importance of addressing NDS in dynamic graph anomaly detection.
• Abstract（参考訳）: 動的グラフにおける異常検出は、ソーシャルネットワーク、eコマース、サイバーセキュリティなど、幅広い現実世界のアプリケーションにとって重要なタスクである。 ほとんどの既存手法では、通常のパターンは時間とともに安定していると仮定しているが、この仮定は、通常挙動が時間とともに進化する現象(NDS)のために、実際に失敗することが多い。 NDSを無視すると、移行した通常のインスタンスを異常として誤分類し、検出性能を低下させる。 この問題に対処するために、分布統計を推定し、白化変換を適用することによって、時間にわたって正常なエッジ埋め込みを整列する新しい教師なし異常検出手法WhENDSを提案する。 広く使われている4つの動的グラフデータセットの大規模な実験により、WhENDSは9つの強いベースラインを一貫して上回り、最先端の結果を達成し、動的グラフ異常検出においてNDSに対処することの重要性を強調している。

関連論文リスト

• A Generalizable Anomaly Detection Method in Dynamic Graphs [7.48376611870513]
  GeneralDyGは、時間的エゴグラフをサンプリングし、構造的特徴と時間的特徴を逐次抽出する手法である。 提案したGeneralDyGは,4つの実世界のデータセット上で最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2024-12-21T02:38:48Z)
• Two Is Better Than One: Aligned Representation Pairs for Anomaly Detection [56.57122939745213]
  異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。 近年の自己教師型手法は, 異常に関する事前知識を用いて, トレーニング中に合成外れ値を生成することによって, それらの表現をうまく学習している。 この制限は、通常のサンプルにおける対称性に関する事前の知識を活用して、異なるコンテキストでデータを観測する、新しいアプローチであるCon$で対処する。
  論文  参考訳（メタデータ） (2024-05-29T07:59:06Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• SLADE: Detecting Dynamic Anomalies in Edge Streams without Labels via Self-Supervised Learning [24.41015179377796]
  本稿では,エッジストリーム中の動的異常を迅速に検出するためのSLADE(Self-supervised Learning for Anomaly Detection in Edge Streams)を提案する。 現実世界の4つのデータセットにわたる動的異常検出では、SLADEは9つの競合する手法より優れている。
  論文  参考訳（メタデータ） (2024-02-19T08:19:26Z)
• 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)
• 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)
• Normality Learning-based Graph Anomaly Detection via Multi-Scale Contrastive Learning [61.57383634677747]
  グラフ異常検出(GAD)は、機械学習やデータマイニングにおいて注目を集めている。 本稿では,マルチスケールコントラスト学習ネットワーク(NLGAD,略語)による正規性学習に基づくGADフレームワークを提案する。 特に,提案アルゴリズムは,最先端手法と比較して検出性能(最大5.89%のAUCゲイン)を向上させる。
  論文  参考訳（メタデータ） (2023-09-12T08:06:04Z)
• SAD: Semi-Supervised Anomaly Detection on Dynamic Graphs [11.819993729810257]
  異常検出は、良性例の大多数と大きく異なる異常例を区別することを目的としている。 グラフニューラルネットワークは、異常検出問題に取り組むことで、ますます人気が高まっている。 動的グラフ上での異常検出のためのエンドツーエンドフレームワークである半教師付き異常検出(SAD)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T01:05:34Z)
• Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
  本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。 提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。 我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2021-08-01T14:33:17Z)

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。