論文の概要: Multi-Head Spectral-Adaptive Graph Anomaly Detection

• arxiv url: http://arxiv.org/abs/2512.22291v1
• Date: Thu, 25 Dec 2025 14:55:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:29.965054
• Title: Multi-Head Spectral-Adaptive Graph Anomaly Detection
• Title（参考訳）: マルチヘッドスペクトル適応グラフ異常検出
• Authors: Qingyue Cao, Bo Jin, Changwei Gong, Xin Tong, Wenzheng Li, Xiaodong Zhou,
• Abstract要約: グラフ異常検出は、金融詐欺やリスク管理に広く応用されている。 既存のグラフ異常検出手法は、複雑で可変な異常パターンを扱う場合、しばしば重大な課題に直面する。 マルチヘッドスペクトル適応型グラフニューラルネットワーク(MHSA-GNN)を提案する。 本手法は, 高周波異常信号の保存を効果的に行い, 既存の最先端手法を著しく上回っている。
• 参考スコア（独自算出の注目度）: 7.788514265469946
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph anomaly detection technology has broad applications in financial fraud and risk control. However, existing graph anomaly detection methods often face significant challenges when dealing with complex and variable abnormal patterns, as anomalous nodes are often disguised and mixed with normal nodes, leading to the coexistence of homophily and heterophily in the graph domain. Recent spectral graph neural networks have made notable progress in addressing this issue; however, current techniques typically employ fixed, globally shared filters. This 'one-size-fits-all' approach can easily cause over-smoothing, erasing critical high-frequency signals needed for fraud detection, and lacks adaptive capabilities for different graph instances. To solve this problem, we propose a Multi-Head Spectral-Adaptive Graph Neural Network (MHSA-GNN). The core innovation is the design of a lightweight hypernetwork that, conditioned on a 'spectral fingerprint' containing structural statistics and Rayleigh quotient features, dynamically generates Chebyshev filter parameters tailored to each instance. This enables a customized filtering strategy for each node and its local subgraph. Additionally, to prevent mode collapse in the multi-head mechanism, we introduce a novel dual regularization strategy that combines teacher-student contrastive learning (TSC) to ensure representation accuracy and Barlow Twins diversity loss (BTD) to enforce orthogonality among heads. Extensive experiments on four real-world datasets demonstrate that our method effectively preserves high-frequency abnormal signals and significantly outperforms existing state-of-the-art methods, especially showing excellent robustness on highly heterogeneous datasets.
• Abstract（参考訳）: グラフ異常検出技術は、金融詐欺やリスク管理に広く応用されている。 しかし、既存のグラフ異常検出法は、異常ノードを正規ノードと偽装して混合することが多いため、複雑で可変な異常パターンを扱う場合、しばしば重大な問題に直面し、グラフ領域にホモフィリーとヘテロフィリーが共存する。 最近のスペクトルグラフニューラルネットワークはこの問題に対処する上で顕著な進歩を遂げているが、現在の手法では固定されたグローバルなフィルタを用いるのが一般的である。 この"ワンサイズフィットオール"アプローチは、過度なスムース化を容易に引き起こし、不正検出に必要な重要な高周波信号を消去し、異なるグラフインスタンスに対する適応能力に欠ける。 この問題を解決するために,MHSA-GNN(Multi-Head Spectral-Adaptive Graph Neural Network)を提案する。 中心となるイノベーションは、構造統計とレイリー商特徴を含む「スペクトル指紋」を前提とした軽量なハイパーネットワークの設計であり、各インスタンスに適したチェビシェフフィルタパラメータを動的に生成する。 これにより、各ノードとそのローカルサブグラフに対して、カスタマイズされたフィルタリング戦略が可能になる。 さらに,マルチヘッド機構のモード崩壊を防止するために,教師/学生のコントラスト学習(TSC)を併用して表現精度を保証し,Borlow Twinsの多様性損失(BTD)をヘッド間の直交性を強制する新たな二重正規化戦略を導入する。 実世界の4つのデータセットに対する大規模な実験により,本手法は高頻度異常信号を効果的に保存し,既存の最先端手法を著しく上回り,特に高度不均一なデータセットに優れたロバスト性を示すことが示された。

関連論文リスト

• Meta-Learning Based Few-Shot Graph-Level Anomaly Detection [6.216246253868536]
  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。
  論文  参考訳（メタデータ） (2025-10-09T06:45:07Z)
• 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)
• GrassNet: State Space Model Meets Graph Neural Network [57.62885438406724]
  Graph State Space Network (GrassNet)は、任意のグラフスペクトルフィルタを設計するためのシンプルで効果的なスキームを提供する理論的なサポートを持つ、新しいグラフニューラルネットワークである。 我々の知る限り、我々の研究はグラフGNNスペクトルフィルタの設計にSSMを使った最初のものである。 9つの公開ベンチマークでの大規模な実験により、GrassNetは現実世界のグラフモデリングタスクにおいて優れたパフォーマンスを達成することが明らかになった。
  論文  参考訳（メタデータ） (2024-08-16T07:33:58Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• 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)
• 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)
• 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)

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。