論文の概要: Flex-GAD : Flexible Graph Anomaly Detection

• arxiv url: http://arxiv.org/abs/2510.25809v1
• Date: Wed, 29 Oct 2025 09:33:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.504082
• Title: Flex-GAD : Flexible Graph Anomaly Detection
• Title（参考訳）: Flex-GAD : フレキシブルグラフ異常検出
• Authors: Apu Chakraborty, Anshul Kumar, Gagan Raj Gupta,
• Abstract要約: ノードレベルでのグラフ異常検出のための新しい教師なしフレームワークFlex-GADを提案する。 異なる大きさ, ノード次数, 属性均一性の7つの実世界の属性グラフ上でFlex-GADを評価する。 トレーニング時間を大幅に短縮し、Anomaly DAEよりも102倍、GAD-NRより3倍速く動作する。
• 参考スコア（独自算出の注目度）: 0.6040904021861969
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detecting anomalous nodes in attributed networks, where each node is associated with both structural connections and descriptive attributes, is essential for identifying fraud, misinformation, and suspicious behavior in domains such as social networks, academic citation graphs, and e-commerce platforms. We propose Flex-GAD, a novel unsupervised framework for graph anomaly detection at the node level. Flex-GAD integrates two encoders to capture complementary aspects of graph data. The framework incorporates a novel community-based GCN encoder to model intra-community and inter-community information into node embeddings, thereby ensuring structural consistency, along with a standard attribute encoder. These diverse representations are fused using a self-attention-based representation fusion module, which enables adaptive weighting and effective integration of the encoded information. This fusion mechanism allows automatic emphasis of the most relevant node representation across different encoders. We evaluate Flex-GAD on seven real-world attributed graphs with varying sizes, node degrees, and attribute homogeneity. Flex-GAD achieves an average AUC improvement of 7.98% over the previously best-performing method, GAD-NR, demonstrating its effectiveness and flexibility across diverse graph structures. Moreover, it significantly reduces training time, running 102x faster per epoch than Anomaly DAE and 3x faster per epoch than GAD-NR on average across seven benchmark datasets.
• Abstract（参考訳）: 各ノードが構造的接続と記述的属性の両方に関連付けられている属性付きネットワークにおける異常ノードの検出は、ソーシャルネットワーク、学術引用グラフ、電子商取引プラットフォームなどのドメインにおける不正、誤情報、疑わしい行動を特定するために不可欠である。 ノードレベルでのグラフ異常検出のための新しい教師なしフレームワークFlex-GADを提案する。 Flex-GADは2つのエンコーダを統合し、グラフデータの補完的な側面をキャプチャする。 このフレームワークは、新しいコミュニティベースのGCNエンコーダを組み込んで、ノード埋め込みにコミュニティ内およびコミュニティ間情報をモデル化し、標準属性エンコーダとともに構造的一貫性を確保する。 これらの多彩な表現は自己注意に基づく表現融合モジュールを用いて融合され、適応重み付けとエンコードされた情報の効果的な統合を可能にする。 この融合機構は、異なるエンコーダ間で最も関連性の高いノード表現を自動的に強調することができる。 異なる大きさ,ノード次数,属性均一性の7つの実世界の属性グラフ上でFlex-GADを評価する。 Flex-GADは、以前最高のパフォーマンスの手法であったGAD-NRよりも平均7.98%のAUC改善を実現し、その有効性と様々なグラフ構造間の柔軟性を示している。 さらに、トレーニング時間を大幅に短縮し、7つのベンチマークデータセットの平均で、Anomaly DAEよりも102倍、GAD-NRよりも3倍高速になる。

関連論文リスト

• Tri-Learn Graph Fusion Network for Attributed Graph Clustering [5.2044462428583875]
  本稿では,GCN,オートエンコーダ(AE),グラフ変換器からなる新しいディープクラスタリングフレームワークを提案する。 このフレームワークは、ユニークな3つの学習機構と特徴融合戦略を通じて、グローバルおよびローカル情報の識別と一貫性を高める。 ACMデータセットで約0.87%、Reutersデータセットで14.14%、USPSデータセットで7.58%の精度向上を実現している。
  論文  参考訳（メタデータ） (2025-07-18T03:25:07Z)
• Mixture of Experts Meets Decoupled Message Passing: Towards General and Adaptive Node Classification [4.129489934631072]
  グラフニューラルネットワークはグラフ表現学習において優れているが、異種データと長距離依存に苦慮している。 ノード分類のための汎用モデルアーキテクチャであるGNNMoEを提案する。 GNNMoEは様々なグラフデータに対して優れた性能を示し、過度にスムースな問題や大域的なノイズを効果的に軽減している。
  論文  参考訳（メタデータ） (2024-12-11T08:35:13Z)
• Matcha: Mitigating Graph Structure Shifts with Test-Time Adaptation [66.40525136929398]
  テスト時間適応(TTA)は、ソースドメインに再アクセスすることなく、トレーニング済みのモデルをターゲットドメインに適応できる能力によって注目を集めている。 グラフの構造シフトへの効果的かつ効率的な適応を目的とした,革新的なフレームワークであるMatchaを提案する。 合成と実世界の両方のデータセットに対するMatchaの有効性を検証し、構造と属性シフトの様々な組み合わせにおける頑健さを実証した。
  論文  参考訳（メタデータ） (2024-10-09T15:15:40Z)
• DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
  論文  参考訳（メタデータ） (2024-01-28T06:43:13Z)
• Edge Conditional Node Update Graph Neural Network for Multi-variate Time Series Anomaly Detection [35.299242563565315]
  エッジ条件付きノード更新グラフニューラルネットワーク(ECNU-GNN)を導入する。 我々のモデルはエッジ条件付きノード更新モジュールを備えており、接続されたエッジに基づいてソースノード表現を動的に変換し、ターゲットノードを適切に表現する。 実世界の3つのデータセット(SWaT, WADI, PSM)の性能を検証した。
  論文  参考訳（メタデータ） (2024-01-25T00:47:44Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• ACE-HGNN: Adaptive Curvature Exploration Hyperbolic Graph Neural Network [72.16255675586089]
  本稿では、入力グラフと下流タスクに基づいて最適な曲率を適応的に学習する適応曲率探索ハイパーボリックグラフニューラルネットワークACE-HGNNを提案する。 複数の実世界のグラフデータセットの実験は、競争性能と優れた一般化能力を備えたモデル品質において、顕著で一貫したパフォーマンス改善を示す。
  論文  参考訳（メタデータ） (2021-10-15T07:18:57Z)

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。