論文の概要: Meta-Learning Based Few-Shot Graph-Level Anomaly Detection

• arxiv url: http://arxiv.org/abs/2510.07847v1
• Date: Thu, 09 Oct 2025 06:45:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:14.912971
• Title: Meta-Learning Based Few-Shot Graph-Level Anomaly Detection
• Title（参考訳）: メタラーニングに基づくFew-Shot Graph-Level異常検出
• Authors: Liting Li, Yumeng Wang, Yueheng Sun,
• Abstract要約: グラフレベルの異常検出は、不正検出、レビュー分類、生化学など様々な分野で重要な役割を果たしている。 既存の手法は大量のラベル付きデータに大きく依存しており、現実のシナリオでは利用できないことが多い。 メタラーニングに基づくグラフレベルの異常検出フレームワーク(MA-GAD)を提案する。 MA-GADにはグラフ圧縮モジュールが組み込まれており、グラフのサイズを小さくし、ノイズ干渉を緩和し、必須ノード情報を保持できる。
• 参考スコア（独自算出の注目度）: 6.216246253868536
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph-level anomaly detection aims to identify anomalous graphs or subgraphs within graph datasets, playing a vital role in various fields such as fraud detection, review classification, and biochemistry. While Graph Neural Networks (GNNs) have made significant progress in this domain, existing methods rely heavily on large amounts of labeled data, which is often unavailable in real-world scenarios. Additionally, few-shot anomaly detection methods based on GNNs are prone to noise interference, resulting in poor embedding quality and reduced model robustness. To address these challenges, we propose a novel meta-learning-based graph-level anomaly detection framework (MA-GAD), incorporating a graph compression module that reduces the graph size, mitigating noise interference while retaining essential node information. We also leverage meta-learning to extract meta-anomaly information from similar networks, enabling the learning of an initialization model that can rapidly adapt to new tasks with limited samples. This improves the anomaly detection performance on target graphs, and a bias network is used to enhance the distinction between anomalous and normal nodes. Our experimental results, based on four real-world biochemical datasets, demonstrate that MA-GAD outperforms existing state-of-the-art methods in graph-level anomaly detection under few-shot conditions. Experiments on both graph anomaly and subgraph anomaly detection tasks validate the framework's effectiveness on real-world datasets.
• Abstract（参考訳）: グラフレベルの異常検出は、グラフデータセット内の異常グラフやサブグラフを識別することを目的としており、不正検出、レビュー分類、生化学といった様々な分野において重要な役割を果たす。 グラフニューラルネットワーク(GNN)はこの領域で大きな進歩を遂げているが、既存の手法は大量のラベル付きデータに依存しており、現実のシナリオでは利用できないことが多い。 さらに、GNNに基づく数発の異常検出手法はノイズ干渉を起こしやすいため、組込み品質が低下し、モデルロバスト性が低下する。 これらの課題に対処するため,メタラーニングに基づくグラフレベルの異常検出フレームワーク (MA-GAD) を提案する。 また、メタ学習を利用して類似ネットワークからメタ異常情報を抽出し、限られたサンプルで新しいタスクに迅速に適応できる初期化モデルの学習を可能にする。 これにより、ターゲットグラフ上の異常検出性能が向上し、異常ノードと正常ノードの区別を高めるためにバイアスネットワークが使用される。 実世界の4つのバイオケミカルデータセットに基づく実験の結果、MA-GADは、数ショット条件下でのグラフレベルの異常検出において、既存の最先端手法よりも優れていることが示された。 グラフ異常とサブグラフ異常検出タスクの両方の実験は、現実世界のデータセットにおけるフレームワークの有効性を検証する。

関連論文リスト

• UMGAD: Unsupervised Multiplex Graph Anomaly Detection [40.17829938834783]
  UMGADと呼ばれる新しい教師なし多重グラフ異常検出法を提案する。 我々はまず、多重異種グラフにおけるノード間の多重相関関係を学習する。 そして、さらに異常情報を抽出するために、属性レベルおよびサブグラフレベルの拡張ビューグラフを生成する。
  論文  参考訳（メタデータ） (2024-11-19T15:15:45Z)
• Multitask Active Learning for Graph Anomaly Detection [48.690169078479116]
  MultItask acTIve Graph Anomaly Detection framework,すなわちMITIGATEを提案する。 ノード分類タスクを結合することにより、MITIGATEは既知の異常を伴わずに配布外ノードを検出する能力を得る。 4つのデータセットに関する実証的研究は、MITIGATEが異常検出のための最先端の手法を著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2024-01-24T03:43:45Z)
• 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)
• BOURNE: Bootstrapped Self-supervised Learning Framework for Unified Graph Anomaly Detection [50.26074811655596]
  自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。 ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。 BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
  論文  参考訳（メタデータ） (2023-07-28T00:44:57Z)
• 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)
• MetaGAD: Meta Representation Adaptation for Few-Shot Graph Anomaly Detection [31.218962952724624]
  少数ショットグラフ異常検出の重要な問題について検討する。 本稿では,自己指導学習から少数ショット指導学習へ知識を適応させるメタGADを提案する。 具体的には、二段階最適化として問題を定式化し、MetaGADの収束を保証し、検証損失を最小限に抑える。
  論文  参考訳（メタデータ） (2023-05-18T03:04:51Z)
• 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)
• 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)
• Weakly-supervised Graph Meta-learning for Few-shot Node Classification [53.36828125138149]
  新しいグラフメタ学習フレームワーク - Graph Hallucination Networks (Meta-GHN) を提案する。 新たなロバストネス強化エピソードトレーニングに基づいて、Meta-GHNは、弱いラベル付きデータからクリーンノード表現を幻覚させるメタ学習を行う。 大規模な実験は、既存のグラフメタ学習研究よりもMeta-GHNの方が優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-12T22:22:10Z)

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。