論文の概要: Tabular Foundation Models are Strong Graph Anomaly Detectors
- arxiv url: http://arxiv.org/abs/2601.17301v1
- Date: Sat, 24 Jan 2026 04:19:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-27 15:23:07.508632
- Title: Tabular Foundation Models are Strong Graph Anomaly Detectors
- Title（参考訳）: タブラルファウンデーションモデルは強いグラフ異常検出器である
- Authors: Yunhui Liu, Tieke He, Yongchao Liu, Can Yi, Hong Jin, Chuntao Hong,
- Abstract要約: グラフ異常検出(GAD)は、多数派から逸脱する異常ノードを特定することを目的としている。
既存のGADメソッドは、"データセット毎の1つのモデル"パラダイムに従っている。
これにより、"オール・フォー・オール"なGADソリューションを可能にする基盤モデルが求められます。
- 参考スコア（独自算出の注目度）: 18.257503243010436
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph anomaly detection (GAD), which aims to identify abnormal nodes that deviate from the majority, has become increasingly important in high-stakes Web domains. However, existing GAD methods follow a "one model per dataset" paradigm, leading to high computational costs, substantial data demands, and poor generalization when transferred to new datasets. This calls for a foundation model that enables a "one-for-all" GAD solution capable of detecting anomalies across diverse graphs without retraining. Yet, achieving this is challenging due to the large structural and feature heterogeneity across domains. In this paper, we propose TFM4GAD, a simple yet effective framework that adapts tabular foundation models (TFMs) for graph anomaly detection. Our key insight is that the core challenges of foundation GAD, handling heterogeneous features, generalizing across domains, and operating with scarce labels, are the exact problems that modern TFMs are designed to solve via synthetic pre-training and powerful in-context learning. The primary challenge thus becomes structural: TFMs are agnostic to graph topology. TFM4GAD bridges this gap by "flattening" the graph, constructing an augmented feature table that enriches raw node features with Laplacian embeddings, local and global structural characteristics, and anomaly-sensitive neighborhood aggregations. This augmented table is processed by a TFM in a fully in-context regime. Extensive experiments on multiple datasets with various TFM backbones reveal that TFM4GAD surprisingly achieves significant performance gains over specialized GAD models trained from scratch. Our work offers a new perspective and a practical paradigm for leveraging TFMs as powerful, generalist graph anomaly detectors.
- Abstract（参考訳）: 多数派から逸脱する異常ノードを識別することを目的としたグラフ異常検出(GAD)は、ハイテイクなWebドメインにおいてますます重要になっている。
しかし、既存のGAD手法は「データセット毎の1つのモデル」パラダイムに従っており、計算コストが高く、データ要求が大きくなり、新しいデータセットに転送される際の一般化が不十分である。
これにより、"すべて"のGADソリューションで、さまざまなグラフの異常を再トレーニングせずに検出できる基盤モデルが求められます。
しかし、ドメイン間の大きな構造と特徴の不均一性のため、これを達成することは難しい。
本稿では,グラフ異常検出のための表層基礎モデル (TFM) を適応する簡易かつ効果的なフレームワークである TFM4GAD を提案する。
我々の重要な洞察は、GADの基礎となる課題、ヘテロジニアスな機能を扱うこと、ドメインをまたいで一般化すること、そして少ないラベルで操作すること、が、現代のTFMが合成事前学習と強力なインコンテキスト学習によって解決するように設計されている正確な問題であるということである。
TFMはグラフトポロジーに非依存である。
TFM4GADはグラフを「フラット化」することでこのギャップを埋め、ラプラシアン埋め込み、局所的および大域的構造特性、および異常に敏感な近傍集合で生ノードの特徴を豊かにする拡張された特徴テーブルを構築する。
この拡張テーブルは、完全にコンテキスト内でTFMによって処理される。
様々なTFMバックボーンを持つ複数のデータセットに対する大規模な実験により、TFM4GADは、スクラッチからトレーニングされた特殊なGADモデルよりも驚くほどパフォーマンスが向上することがわかった。
我々の研究は、TFMを強力な一般グラフ異常検出器として活用するための新しい視点と実践的パラダイムを提供する。
関連論文リスト
- Evolutionary Router Feature Generation for Zero-Shot Graph Anomaly Detection with Mixture-of-Experts [60.60414602796664]
ゼロショットGADのための進化的ルータ特徴生成(EvoFG)を備えた新しいMoEフレームワークを提案する。
EvoFGは最先端のベースラインを一貫して上回り、強力で安定したゼロショットGAD性能を実現している。
論文 参考訳（メタデータ） (2026-02-12T06:16:51Z) - OWLEYE: Zero-Shot Learner for Cross-Domain Graph Data Anomaly Detection [48.77471686671269]
OWLEYEは、複数のグラフから正常な振る舞いの伝達可能なパターンを学習する新しいフレームワークである。
OWLEYEは最先端のベースラインに比べて性能と一般化性が優れていることを示す。
論文 参考訳（メタデータ） (2026-01-27T02:08:18Z) - Transformers Provably Learn Directed Acyclic Graphs via Kernel-Guided Mutual Information [91.66597637613263]
注意機構を活用するトランスフォーマーベースのモデルは、グラフ内の複雑な依存関係をキャプチャする上で、強い経験的成功を示している。
本稿では,カーネル誘導相互情報(KG-MI)を$f$-divergenceに基づく新しい情報理論指標を提案する。
我々は、K$親和性DAGによって生成された任意のシーケンスが、勾配上昇による単層マルチヘッドトランスを訓練し、大域的最適時間に収束することを証明した。
論文 参考訳（メタデータ） (2025-10-29T14:07:12Z) - Graph Foundation Models: Bridging Language Model Paradigms and Graph Optimization [4.502753947356616]
グラフ構造上の全ての距離に基づく最適化問題を解くことができる最初のフレームワークであるグラフ基礎モデル(GFM)を紹介する。
GFMはグラフの複雑なトポロジカルおよびニューラルルールを内部化し、構造自体の接続を監督信号として扱うことができる。
本研究は, グラフ最適化にプリトレイン・トランスファー・フレームワークを適用する新たなパラダイムを確立し, 基礎モデル革新をオペレーション・リサーチに適用するための扉を開く。
論文 参考訳（メタデータ） (2025-09-29T04:05:48Z) - Turning Tabular Foundation Models into Graph Foundation Models [27.47522328312435]
グラフ基礎モデルをグラフ基礎モデルに変換するためのフレームワークであるG2T-FMを提案する。
G2T-FMは、元のノード機能を近隣の特徴集約で強化し、構造的な埋め込みを追加し、構築されたノード表現にTFMを適用する。
我々のモデルは、公開GFMを著しく上回り、スクラッチから訓練されたよく訓練されたGNNよりも、競争力があり、しばしば優れた性能を発揮する。
論文 参考訳（メタデータ） (2025-08-28T15:36:37Z) - Unsupervised Graph Anomaly Detection via Multi-Hypersphere Heterophilic Graph Learning [7.277472116667557]
Graph Anomaly(GAD)は、eコマース詐欺や悪意のあるユーザー検出など、さまざまなデータマイニングアプリケーションにおいて重要な役割を果たす。
本稿では,潜在的な異常に対する識別可能な異常表現を学習するためのヘテロ親和性グラフ検出(HGE)モジュールを提案する。
そこで本稿では,コンテキスト依存型異常の検出能力を高めるために,マルチハイパースフィア学習(MHL)モジュールを提案する。
論文 参考訳（メタデータ） (2025-03-15T08:08:13Z) - GFM-RAG: Graph Foundation Model for Retrieval Augmented Generation [83.72561905487447]
本稿では,新しいグラフ基盤モデル (GFM) である GFM-RAG について紹介する。
GFM-RAGは、複雑なクエリ-知識関係をキャプチャするグラフ構造を理由とする、革新的なグラフニューラルネットワークによって実現されている。
効率とニューラルスケーリング法則との整合性を維持しつつ、最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-02-03T07:04:29Z) - One Model for One Graph: A New Perspective for Pretraining with Cross-domain Graphs [59.7297608804716]
複雑なネットワークパターンをキャプチャする強力なツールとして、グラフニューラルネットワーク(GNN)が登場した。
既存のGNNには、慎重にドメイン固有のアーキテクチャ設計と、データセットのスクラッチからのトレーニングが必要です。
我々は、新しいクロスドメイン事前学習フレームワーク「1つのグラフのための1つのモデル」を提案する。
論文 参考訳（メタデータ） (2024-11-30T01:49:45Z) - 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) - 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)
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。