論文の概要: FracAug: Fractional Augmentation boost Graph-level Anomaly Detection under Limited Supervision

• arxiv url: http://arxiv.org/abs/2509.20978v1
• Date: Thu, 25 Sep 2025 10:23:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 20:58:12.838137
• Title: FracAug: Fractional Augmentation boost Graph-level Anomaly Detection under Limited Supervision
• Title（参考訳）: FracAug: 限定監督下でのグラフレベルの異常検出
• Authors: Xiangyu Dong, Xingyi Zhang, Sibo Wang,
• Abstract要約: FracAugは、グラフニューラルネットワーク(GNN)を強化した革新的なプラグイン拡張フレームワーク 意味的に一貫したグラフ変種と相互検証を伴う擬似ラベルを生成する。 12の現実世界データセット上の14のGNNに対する実験は、一貫した利得を示している。
• 参考スコア（独自算出の注目度）: 10.670919804049477
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph-level anomaly detection (GAD) is critical in diverse domains such as drug discovery, yet high labeling costs and dataset imbalance hamper the performance of Graph Neural Networks (GNNs). To address these issues, we propose FracAug, an innovative plug-in augmentation framework that enhances GNNs by generating semantically consistent graph variants and pseudo-labeling with mutual verification. Unlike previous heuristic methods, FracAug learns semantics within given graphs and synthesizes fractional variants, guided by a novel weighted distance-aware margin loss. This captures multi-scale topology to generate diverse, semantic-preserving graphs unaffected by data imbalance. Then, FracAug utilizes predictions from both original and augmented graphs to pseudo-label unlabeled data, iteratively expanding the training set. As a model-agnostic module compatible with various GNNs, FracAug demonstrates remarkable universality and efficacy: experiments across 14 GNNs on 12 real-world datasets show consistent gains, boosting average AUROC, AUPRC, and F1-score by up to 5.72%, 7.23%, and 4.18%, respectively.
• Abstract（参考訳）: グラフレベルの異常検出(GAD)は、薬物発見のような様々な領域において重要であるが、高いラベル付けコストとデータセットの不均衡は、グラフニューラルネットワーク(GNN)の性能を妨げている。 これらの問題に対処するため、我々は、意味的に一貫したグラフ変種と相互検証による擬似ラベルを生成することによって、GNNを強化する革新的なプラグイン拡張フレームワークであるFracAugを提案する。 従来のヒューリスティックな方法とは異なり、FracAugは与えられたグラフ内の意味学を学び、新しい重み付き距離対応マージン損失によって導かれる分数変種を合成する。 これにより、マルチスケールトポロジをキャプチャして、データ不均衡の影響を受けない多様なセマンティック保存グラフを生成する。 次にFracAugは、オリジナルグラフと拡張グラフの両方からの予測を擬似ラベルなしのラベル付きデータに利用し、トレーニングセットを反復的に拡張する。 さまざまなGNNと互換性のあるモデルに依存しないモジュールとして、FracAugは驚くべき普遍性と有効性を示している。12の現実世界データセット上の14のGNNを対象とした実験では、平均的なAUROC、AUPRC、F1スコアをそれぞれ5.72%、7.23%、そして4.18%まで向上した。

関連論文リスト

• CRoC: Context Refactoring Contrast for Graph Anomaly Detection with Limited Supervision [11.139587480845144]
  グラフ異常検出(GAD)のためのグラフニューラルネットワーク(GNN)を学習するフレームワークであるコンテキストリファクタリングコントラスト(CRoC)を提案する。 CRoCは、GAD固有のクラス不均衡を利用して、ラベル付きおよび豊富なラベル付きデータを活用する。 トレーニングの段階では、CRoCは対照的な学習パラダイムとさらに統合されている。これにより、GNNはトレーニング中にラベルのないデータを効果的に活用し、よりリッチでより離散的なノードの埋め込みを生成することができる。
  論文  参考訳（メタデータ） (2025-08-17T08:05:17Z)
• Learning to Reweight for Graph Neural Network [63.978102332612906]
  グラフニューラルネットワーク(GNN)は、グラフタスクに対して有望な結果を示す。 既存のGNNの一般化能力は、テストとトレーニンググラフデータの間に分散シフトが存在する場合に低下する。 本稿では,分布外一般化能力を大幅に向上させる非線形グラフデコリレーション法を提案する。
  論文  参考訳（メタデータ） (2023-12-19T12:25:10Z)
• Breaking the Entanglement of Homophily and Heterophily in Semi-supervised Node Classification [25.831508778029097]
  統計的観点から,ノードプロファイルとトポロジの関係を定量化するAMUDを提案する。 また、AMUDのための新しい有向グラフ学習パラダイムとしてADPAを提案する。
  論文  参考訳（メタデータ） (2023-12-07T07:54:11Z)
• Resisting Graph Adversarial Attack via Cooperative Homophilous Augmentation [60.50994154879244]
  最近の研究では、グラフニューラルネットワークは弱く、小さな摂動によって簡単に騙されることが示されている。 本研究では,グラフインジェクションアタック(Graph Injection Attack)という,新興だが重要な攻撃に焦点を当てる。 本稿では,グラフデータとモデルの協調的同好性増強によるGIAに対する汎用防衛フレームワークCHAGNNを提案する。
  論文  参考訳（メタデータ） (2022-11-15T11:44:31Z)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Exploiting Neighbor Effect: Conv-Agnostic GNNs Framework for Graphs with Heterophily [58.76759997223951]
  我々はフォン・ノイマンエントロピーに基づく新しい計量を提案し、GNNのヘテロフィリー問題を再検討する。 また、異種データセット上でのほとんどのGNNの性能を高めるために、Conv-Agnostic GNNフレームワーク(CAGNN)を提案する。
  論文  参考訳（メタデータ） (2022-03-19T14:26:43Z)
• Graph Neural Networks for Graphs with Heterophily: A Survey [98.45621222357397]
  異種グラフに対するグラフニューラルネットワーク(GNN)の総合的なレビューを提供する。 具体的には,既存の異好性GNNモデルを本質的に支配する系統分類法を提案する。 グラフヘテロフィリーと様々なグラフ研究領域の相関を議論し、より効果的なGNNの開発を促進することを目的とした。
  論文  参考訳（メタデータ） (2022-02-14T23:07:47Z)
• 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)
• Imbalanced Graph Classification via Graph-of-Graph Neural Networks [16.589373163769853]
  グラフニューラルネットワーク(GNN)は、グラフの分類ラベルを識別するグラフ表現の学習において、前例のない成功を収めている。 本稿では,グラフ不均衡問題を軽減する新しいフレームワークであるグラフ・オブ・グラフニューラルネットワーク(G$2$GNN)を提案する。 提案したG$2$GNNは,F1-macroとF1-microのスコアにおいて,多くのベースラインを約5%上回る性能を示した。
  論文  参考訳（メタデータ） (2021-12-01T02:25:47Z)

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。