論文の概要: GFM4GA: Graph Foundation Model for Group Anomaly Detection

• arxiv url: http://arxiv.org/abs/2601.10193v1
• Date: Thu, 15 Jan 2026 08:48:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-16 19:43:19.063056
• Title: GFM4GA: Graph Foundation Model for Group Anomaly Detection
• Title（参考訳）: GFM4GA:グループ異常検出のためのグラフ基礎モデル
• Authors: Jiujiu Chen, Weijun Zeng, Shaofeng Hu, Sihong Xie, Hui Xiong,
• Abstract要約: グループ異常検出は多くのネットワークアプリケーションにおいて重要である。 グループ異常検出のための新しいグラフ基盤モデルである GFM4GA を提案する。 実験の結果、GFM4GAは集団異常検出器や個々の異常検出器を超越していることがわかった。
• 参考スコア（独自算出の注目度）: 20.29091180610742
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Group anomaly detection is crucial in many network applications, but faces challenges due to diverse anomaly patterns. Motivated by the success of large language models (LLMs) in natural language processing, graph foundation models (GFMs) is proposed to handle few-shot learning task with fewer labeling efforts. GFMs have been successfully applied to detection of individual anomalies but cannot be generalized to group anomalies, as group anomaly patterns must be detected as a whole and individuals in an abnormal group can look rather normal. Therefore, we propose GFM4GA, a novel graph foundation model for group anomaly detection. The pipeline is pretrained via dual-level contrastive learning based on feature-based estimation and group extraction, to capture potential group anomaly structure and feature inconsistencies. In the downstream tasks, the pipeline is finetuned in parameter-constrained and group-anomaly-proportion weighted few-shot settings, and its adaptive ability to unseen group anomalies expanded via group contexts determined by labeled anomaly neighbors. Experiments show that GFM4GA surpasses group anomaly detectors and GFMs for individual anomalies, achieving average improvements of 2.85% in AUROC and 2.55% in AUPRC.
• Abstract（参考訳）: グループ異常検出は、多くのネットワークアプリケーションにおいて重要であるが、多様な異常パターンによる課題に直面している。 自然言語処理における大規模言語モデル (LLMs) の成功により、グラフ基礎モデル (GFMs) が提案され、ラベル付け作業の少ない少数ショット学習タスクに対処する。 GFMは個々の異常の検出にうまく適用されているが、集団異常パターンは全体として検出されなければならないため、グループ異常には一般化できない。 そこで本研究では,グループ異常検出のための新しいグラフ基盤モデルであるGFM4GAを提案する。 パイプラインは、特徴に基づく推定とグループ抽出に基づく二重レベルのコントラスト学習によって事前訓練され、潜在的なグループ異常構造と特徴の不整合を捕捉する。 下流のタスクでは、パイプラインはパラメータ制約付きおよびグループアノマリーの重み付けされた数ショット設定で微調整され、その適応能力は、ラベル付き異常隣人によって決定されたグループコンテキストを介して拡張される。 実験の結果、GFM4GAは集団異常検知器や個々の異常に対してGFMを超え、AUROCでは2.85%、AUPRCでは2.55%の平均的な改善を達成した。

関連論文リスト

• Generate Aligned Anomaly: Region-Guided Few-Shot Anomaly Image-Mask Pair Synthesis for Industrial Inspection [53.137651284042434]
  異常検査は製造業において重要な役割を担っているが、異常サンプルの不足は既存の方法の有効性を制限している。 本稿では,GAA (Generate grained Anomaly) を提案する。 GAAは少数のサンプルのみを用いて現実的で多様で意味的に整合した異常を発生させる。
  論文  参考訳（メタデータ） (2025-07-13T12:56:59Z)
• Towards Anomaly-Aware Pre-Training and Fine-Tuning for Graph Anomaly Detection [59.042018542376596]
  グラフ異常検出(GAD)は近年注目度が高まりつつあるが、2つの重要な要因があるため、依然として困難である。 Anomaly-Aware Pre-Training and Fine-Tuning (APF)は、GADの課題を軽減するためのフレームワークである。 10のベンチマークデータセットに関する総合的な実験は、最先端のベースラインと比較してAPFの優れたパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2025-04-19T09:57:35Z)
• ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
  ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。 ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。 各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
  論文  参考訳（メタデータ） (2024-05-27T02:42:33Z)
• 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)
• Open-Set Graph Anomaly Detection via Normal Structure Regularisation [30.638274744518682]
  Open-set Graph Anomaly Detection (GAD)は、少数の正規ノードと異常ノードを使用して検出モデルをトレーニングすることを目的としている。 現在の監督型GAD法は、目に見えない異常を正常なノードとして検出する多くの誤りを招き、その異常を過度に強調する傾向にある。 本稿では,新しいオープンセットGAD手法,すなわち正規構造正規化(NSReg)を提案する。
  論文  参考訳（メタデータ） (2023-11-12T13:25:28Z)
• Graph Anomaly Detection at Group Level: A Topology Pattern Enhanced Unsupervised Approach [25.383587951822964]
  本稿では,グループレベルグラフ異常検出(Gr-GAD)と呼ばれる新しいタスクのための教師なしフレームワークを提案する。 提案フレームワークはまず,長距離不整合を捕捉して潜在的な異常グループに属するアンカーノードを特定するために,グラフオートエンコーダ(GAE)の変種を用いる。 実世界のデータセットと合成データセットの両方の実験結果から,提案フレームワークは異常群を同定および局所化する上で優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2023-08-02T10:22:04Z)
• GADformer: A Transparent Transformer Model for Group Anomaly Detection on Trajectories [0.9971221656644376]
  グループ異常検出(GAD)は、個々のメンバーが異常ではない場合の異常なパターンを特定する。 本稿では,非教師付きおよび半教師付き設定におけるトラジェクトリ上での注意駆動型GADモデルであるGADformerを紹介する。 また,Block-Attention-anomaly-Score (BAS)を導入し,注意パターンを評価することでモデルの透明性を高める。
  論文  参考訳（メタデータ） (2023-03-17T08:49:09Z)
• AGRO: Adversarial Discovery of Error-prone groups for Robust Optimization [109.91265884632239]
  群分散ロバスト最適化(G-DRO)は、トレーニングデータに対する事前定義されたグループのセットに対する最悪の損失を最小限にすることができる。 本稿では、分散ロバスト最適化のためのAGRO -- Adversarial Group Discoveryを提案する。 AGROは、既知の最悪のグループの平均モデルパフォーマンスを8%向上させる。
  論文  参考訳（メタデータ） (2022-12-02T00:57:03Z)

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。