論文の概要: Combining Euclidean and Hyperbolic Representations for Node-level Anomaly Detection

• arxiv url: http://arxiv.org/abs/2510.11827v1
• Date: Mon, 13 Oct 2025 18:28:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.059453
• Title: Combining Euclidean and Hyperbolic Representations for Node-level Anomaly Detection
• Title（参考訳）: ノードレベルの異常検出のためのユークリッドと双曲表現の組み合わせ
• Authors: Simone Mungari, Ettore Ritacco, Pietro Sabatino,
• Abstract要約: 我々はEuclideanとHyperbolic Graph Neural Networksを併用してノード表現の相補的な側面を捉えるフレームワークであるJanusを紹介する。 ヤヌスは浅い基底線と深い基底線を一貫して上回り、複数の幾何学的表現を組み合わせることでグラフの微妙で複雑な異常を識別するための堅牢で効果的なアプローチを実証的に示している。
• 参考スコア（独自算出の注目度）: 0.20136346739539893
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Node-level anomaly detection (NAD) is challenging due to diverse structural patterns and feature distributions. As such, NAD is a critical task with several applications which range from fraud detection, cybersecurity, to recommendation systems. We introduce Janus, a framework that jointly leverages Euclidean and Hyperbolic Graph Neural Networks to capture complementary aspects of node representations. Each node is described by two views, composed by the original features and structural features derived from random walks and degrees, then embedded into Euclidean and Hyperbolic spaces. A multi Graph-Autoencoder framework, equipped with a contrastive learning objective as regularization term, aligns the embeddings across the Euclidean and Hyperbolic spaces, highlighting nodes whose views are difficult to reconcile and are thus likely anomalous. Experiments on four real-world datasets show that Janus consistently outperforms shallow and deep baselines, empirically demonstrating that combining multiple geometric representations provides a robust and effective approach for identifying subtle and complex anomalies in graphs.
• Abstract（参考訳）: 多様な構造パターンと特徴分布のため、ノードレベルの異常検出(NAD)は困難である。 このようにNADは、不正検出、サイバーセキュリティ、レコメンデーションシステムなど、いくつかのアプリケーションにおいて重要なタスクである。 我々はEuclideanとHyperbolic Graph Neural Networksを併用してノード表現の相補的な側面を捉えるフレームワークであるJanusを紹介する。 各ノードは2つのビューで記述され、元の特徴とランダムウォークと次数から派生した構造的特徴によって構成され、ユークリッド空間と双曲空間に埋め込まれる。 マルチグラフオートコーダフレームワークは、正規化項として対照的な学習目標を備え、ユークリッド空間と双曲空間をまたいだ埋め込みを整列し、解釈が困難で異常なノードをハイライトする。 4つの実世界のデータセットの実験により、ヤヌスは浅く深い基底線を一貫して上回り、複数の幾何学的表現を組み合わせることでグラフの微妙で複雑な異常を識別する堅牢で効果的なアプローチを実証した。

関連論文リスト

• Graph Alignment via Dual-Pass Spectral Encoding and Latent Space Communication [31.43539830271355]
  本稿では,ノードの特異性を同時に強化し,潜在空間間の幾何的整合性を実現する新しいグラフアライメントフレームワークを提案する。 提案手法では,低域通過スペクトルフィルタと高域通過スペクトルフィルタを組み合わせたデュアルパスエンコーダを導入し,構造認識と高判別の両方が可能な埋め込みを生成する。
  論文  参考訳（メタデータ） (2025-09-11T16:36:16Z)
• 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)
• 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)
• Multiscale Dynamic Graph Representation for Biometric Recognition with Occlusions [43.05765549682057]
  咬合は、野生における生体認証の一般的な問題である。 本稿では,CNNとグラフモデルの両方の利点を統合した新しい統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-27T04:18:08Z)
• 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)
• AHEAD: A Triple Attention Based Heterogeneous Graph Anomaly Detection Approach [23.096589854894884]
  AHEADは、エンコーダ-デコーダフレームワークに基づく教師なしグラフ異常検出アプローチである。 実世界の異種情報ネットワークにおけるAHEADの優位性を示す。
  論文  参考訳（メタデータ） (2022-08-17T10:08:28Z)
• Geometry Contrastive Learning on Heterogeneous Graphs [50.58523799455101]
  本稿では,幾何学コントラスト学習(Geometry Contrastive Learning, GCL)と呼ばれる,新しい自己指導型学習手法を提案する。 GCLはユークリッドと双曲的な視点からヘテロジニアスグラフを同時に見ることができ、リッチな意味論と複雑な構造をモデル化する能力の強い融合を目指している。 4つのベンチマークデータセットの大規模な実験は、提案手法が強いベースラインよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-25T03:54:53Z)
• 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)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)

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。