論文の概要: FGC-Comp: Adaptive Neighbor-Grouped Attribute Completion for Graph-based Anomaly Detection

• arxiv url: http://arxiv.org/abs/2512.02705v1
• Date: Tue, 02 Dec 2025 12:34:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-03 21:04:45.867112
• Title: FGC-Comp: Adaptive Neighbor-Grouped Attribute Completion for Graph-based Anomaly Detection
• Title（参考訳）: FGC-Comp: グラフベース異常検出のためのアダプティブ近傍グループ属性補完
• Authors: Junpeng Wu, Pinheng Zong,
• Abstract要約: FGC-Compは軽量で分類器に依存しない、デプロイに優しい属性補完モジュールである。 各ノードの隣接ノードを3つのラベルベースグループに分割し、ラベル付きグループにグループ固有の変換を適用し、バイナリ分類目的でエンドツーエンドを訓練する。 2つの実世界の不正データセットの実験は、無視可能な計算オーバーヘッドによるアプローチの有効性を検証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph-based Anomaly Detection models have gained widespread adoption in recent years, identifying suspicious nodes by aggregating neighborhood information. However, most existing studies overlook the pervasive issues of missing and adversarially obscured node attributes, which can undermine aggregation stability and prediction reliability. To mitigate this, we propose FGC-Comp, a lightweight, classifier-agnostic, and deployment-friendly attribute completion module-designed to enhance neighborhood aggregation under incomplete attributes. We partition each node's neighbors into three label-based groups, apply group-specific transforms to the labeled groups while a node-conditioned gate handles unknowns, fuse messages via residual connections, and train end-to-end with a binary classification objective to improve aggregation stability and prediction reliability under missing attributes. Experiments on two real-world fraud datasets validate the effectiveness of the approach with negligible computational overhead.
• Abstract（参考訳）: グラフベースの異常検出モデルは近年広く普及しており、近隣情報を集約することで疑わしいノードを同定している。 しかし、既存のほとんどの研究は、アグリゲーション安定性と予測信頼性を損なう可能性のあるノード属性の欠如や不明瞭さの広範な問題を見落としている。 これを軽減するために,FGC-Compを提案する。FGC-Compは,非完全属性下での近傍の集約性を高めるために,軽量で分類器に依存しない,配置に優しい属性補完モジュールである。 各ノードの近傍を3つのラベルベースグループに分割し,ノード条件付きゲートが未知を処理している間にグループ固有の変換をラベル付きグループに適用する。 2つの実世界の不正データセットの実験は、無視可能な計算オーバーヘッドによるアプローチの有効性を検証する。

関連論文リスト

• FUSE: Fast Semi-Supervised Node Embedding Learning via Structural and Label-Aware Optimization [0.0]
  3つの相補的目的を共同で最適化する高速半教師あり組込みフレームワークを提案する。 標準ベンチマークにおいて,本手法は最先端手法と同等以上の分類精度を一貫して達成する。
  論文  参考訳（メタデータ） (2025-10-13T10:39:58Z)
• Clustering-Oriented Generative Attribute Graph Imputation [46.388653923121566]
  本稿では,属性欠落グラフクラスタリングのためのクラスタリング指向生成インプット(CGIR)モデルを提案する。 CGIRは,属性欠落グラフのクラスタリングをサブクラスタの検索とマージェンスに分割し,統一されたフレームワーク内でノードの計算と改善を実現する。
  論文  参考訳（メタデータ） (2025-07-25T09:11:38Z)
• Divide-Then-Rule: A Cluster-Driven Hierarchical Interpolator for Attribute-Missing Graphs [51.13363550716544]
  ディープグラフクラスタリングは、不完全な属性を持つノードを異なるクラスタに分割することを目的とした教師なしのタスクである。 既存の属性欠落グラフの計算法は、ノード近傍で利用可能な情報の量が異なることを説明できないことが多い。 この問題に対処するために、DTRGC(Divide-Then-Rule Graph Completion)を提案する。
  論文  参考訳（メタデータ） (2025-07-12T03:33:19Z)
• A Label-Free Heterophily-Guided Approach for Unsupervised Graph Fraud Detection [60.09453163562244]
  本稿では,非教師付きGFDのための非教師付きグラフ不正検出手法(HUGE)を提案する。 推定モジュールでは、GFD の臨界グラフ特性をキャプチャする HALO と呼ばれる新しいラベルフリーなヘテロフィリー計量を設計する。 アライメントに基づく不正検出モジュールにおいて、ランキング損失と非対称アライメント損失を有する合同GNNアーキテクチャを開発する。
  論文  参考訳（メタデータ） (2025-02-18T22:07:36Z)
• 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)
• Neighbour Consistency Guided Pseudo-Label Refinement for Unsupervised Person Re-Identification [80.98291772215154]
  教師なしの人物再識別(ReID)は、アノテーションを使わずに人物検索のための識別的アイデンティティの特徴を学習することを目的としている。 近年の進歩はクラスタリングに基づく擬似ラベルを活用することで実現されている。 本稿では, Pseudo Label Refinement フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-30T09:39:57Z)
• Far Away in the Deep Space: Dense Nearest-Neighbor-Based Out-of-Distribution Detection [33.78080060234557]
  Nearest-Neighborsアプローチは、オブジェクト中心のデータドメインでうまく機能することが示されている。 近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近
  論文  参考訳（メタデータ） (2022-11-12T13:32:19Z)

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。