論文の概要: OWLEYE: Zero-Shot Learner for Cross-Domain Graph Data Anomaly Detection

• arxiv url: http://arxiv.org/abs/2601.19102v1
• Date: Tue, 27 Jan 2026 02:08:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-28 15:26:51.127676
• Title: OWLEYE: Zero-Shot Learner for Cross-Domain Graph Data Anomaly Detection
• Title（参考訳）: OWLEYE: クロスドメイングラフデータ異常検出のためのゼロショット学習者
• Authors: Lecheng Zheng, Dongqi Fu, Zihao Li, Jingrui He,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 48.77471686671269
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph data is informative to represent complex relationships such as transactions between accounts, communications between devices, and dependencies among machines or processes. Correspondingly, graph anomaly detection (GAD) plays a critical role in identifying anomalies across various domains, including finance, cybersecurity, manufacturing, etc. Facing the large-volume and multi-domain graph data, nascent efforts attempt to develop foundational generalist models capable of detecting anomalies in unseen graphs without retraining. To the best of our knowledge, the different feature semantics and dimensions of cross-domain graph data heavily hinder the development of the graph foundation model, leaving further in-depth continual learning and inference capabilities a quite open problem. Hence, we propose OWLEYE, a novel zero-shot GAD framework that learns transferable patterns of normal behavior from multiple graphs, with a threefold contribution. First, OWLEYE proposes a cross-domain feature alignment module to harmonize feature distributions, which preserves domain-specific semantics during alignment. Second, with aligned features, to enable continuous learning capabilities, OWLEYE designs the multi-domain multi-pattern dictionary learning to encode shared structural and attribute-based patterns. Third, for achieving the in-context learning ability, OWLEYE develops a truncated attention-based reconstruction module to robustly detect anomalies without requiring labeled data for unseen graph-structured data. Extensive experiments on real-world datasets demonstrate that OWLEYE achieves superior performance and generalizability compared to state-of-the-art baselines, establishing a strong foundation for scalable and label-efficient anomaly detection.
• Abstract（参考訳）: グラフデータは、アカウント間のトランザクション、デバイス間の通信、マシンやプロセス間の依存関係など、複雑な関係を表現するための情報である。 それに対応するグラフ異常検出(GAD)は、財務、サイバーセキュリティ、製造など、さまざまな領域の異常を識別する上で重要な役割を果たす。 大容量および多領域グラフデータに直面すると、未確認グラフの異常をリトレーニングせずに検出できる基礎的な一般化モデルの開発が試みられた。 我々の知る限り、クロスドメイングラフデータの異なる特徴セマンティクスと次元は、グラフ基盤モデルの開発を著しく妨げ、より深い継続的な学習と推論能力は、非常にオープンな問題である。 そこで我々は,複数のグラフから正規動作の伝達可能なパターンを3倍の寄与で学習する新しいゼロショットGADフレームワークOWLEYEを提案する。 まず、OWLEYEは機能分布を調和させるクロスドメイン機能アライメントモジュールを提案し、アライメント中にドメイン固有のセマンティクスを保持する。 第二に、継続的学習機能を実現するために、OWLEYEは多ドメイン多パターン辞書学習を設計し、共有構造パターンと属性ベースのパターンを符号化する。 第三に、コンテキスト内学習能力を達成するため、OWLEYEは、目立たないグラフ構造化データに対してラベル付きデータを必要とせずに、異常を堅牢に検出する、切り捨てられた注意に基づく再構築モジュールを開発する。 実世界のデータセットに対する大規模な実験により、OWLEYEは最先端のベースラインよりも優れたパフォーマンスと一般化性を実現し、スケーラブルでラベル効率の良い異常検出のための強力な基盤を確立した。

関連論文リスト

• Tabular Foundation Models are Strong Graph Anomaly Detectors [18.257503243010436]
  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。
  論文  参考訳（メタデータ） (2026-01-24T04:19:45Z)
• UniGraph2: Learning a Unified Embedding Space to Bind Multimodal Graphs [34.48393396390799]
  マルチモーダルグラフ上での汎用的な表現学習を可能にする新しいクロスドメイングラフ基盤モデルを提案する。 UniGraph2は、グラフニューラルネットワーク(GNN)と共にモダリティ固有のエンコーダを使用して、統一された低次元埋め込み空間を学習する。 我々は,UniGraph2が表現学習,伝達学習,マルチモーダル生成タスクなどのタスクにおいて,最先端モデルよりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2025-02-02T14:04:53Z)
• 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)
• DAGAD: Data Augmentation for Graph Anomaly Detection [57.92471847260541]
  本稿では、属性グラフのための新しいデータ拡張ベースのグラフ異常検出(DAGAD)フレームワークを考案する。 3つのデータセットに関する一連の実験は、DAGADが様々な主に使用されるメトリクスに関して、10の最先端のベースライン検出器より優れていることを証明している。
  論文  参考訳（メタデータ） (2022-10-18T11:28:21Z)
• 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)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。