論文の概要: Zero-shot Generalizable Graph Anomaly Detection with Mixture of Riemannian Experts

• arxiv url: http://arxiv.org/abs/2602.06859v1
• Date: Fri, 06 Feb 2026 16:46:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-09 22:18:26.493288
• Title: Zero-shot Generalizable Graph Anomaly Detection with Mixture of Riemannian Experts
• Title（参考訳）: リーマン専門家の混合によるゼロショット一般化可能なグラフ異常検出
• Authors: Xinyu Zhao, Qingyun Sun, Jiayi Luo, Xingcheng Fu, Jianxin Li,
• Abstract要約: Graph Anomaly Detection (GAD)は、グラフデータの不規則なパターンを特定することを目的としている。 既存のゼロショットGAD法は、様々な異常パターンの固有の幾何学的差異を無視している。 ゼロショット一般化可能なグラフ異常検出のための新しいフレームワークであるGAD-MoREを提案する。
• 参考スコア（独自算出の注目度）: 33.295461492913354
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Anomaly Detection (GAD) aims to identify irregular patterns in graph data, and recent works have explored zero-shot generalist GAD to enable generalization to unseen graph datasets. However, existing zero-shot GAD methods largely ignore intrinsic geometric differences across diverse anomaly patterns, substantially limiting their cross-domain generalization. In this work, we reveal that anomaly detectability is highly dependent on the underlying geometric properties and that embedding graphs from different domains into a single static curvature space can distort the structural signatures of anomalies. To address the challenge that a single curvature space cannot capture geometry-dependent graph anomaly patterns, we propose GAD-MoRE, a novel framework for zero-shot Generalizable Graph Anomaly Detection with a Mixture of Riemannian Experts architecture. Specifically, to ensure that each anomaly pattern is modeled in the Riemannian space where it is most detectable, GAD-MoRE employs a set of specialized Riemannian expert networks, each operating in a distinct curvature space. To align raw node features with curvature-specific anomaly characteristics, we introduce an anomaly-aware multi-curvature feature alignment module that projects inputs into parallel Riemannian spaces, enabling the capture of diverse geometric characteristics. Finally, to facilitate better generalization beyond seen patterns, we design a memory-based dynamic router that adaptively assigns each input to the most compatible expert based on historical reconstruction performance on similar anomalies. Extensive experiments in the zero-shot setting demonstrate that GAD-MoRE significantly outperforms state-of-the-art generalist GAD baselines, and even surpasses strong competitors that are few-shot fine-tuned with labeled data from the target domain.
• Abstract（参考訳）: グラフ異常検出(GAD)は、グラフデータの不規則なパターンを特定することを目的としており、最近の研究では、ゼロショットのジェネラリストGADを探索して、目に見えないグラフデータセットへの一般化を可能にしている。 しかし、既存のゼロショットGAD法は、様々な異常パターン間の固有の幾何学的差異を無視し、領域間の一般化を著しく制限している。 本研究では,各領域からのグラフを1つの静的曲率空間に埋め込むことで,異常の構造的シグネチャを歪ませることができることを示す。 単曲率空間が幾何依存グラフ異常パターンをキャプチャできないという問題に対処するために,リーマンエキスパートアーキテクチャを用いたゼロショット一般化グラフ異常検出のための新しいフレームワークであるGAD-MoREを提案する。 具体的には、各異常パターンが最も検出可能なリーマン空間でモデル化されることを保証するため、GAD-MoREは、それぞれ異なる曲率空間で機能する特殊リーマン専門家ネットワークの集合を用いる。 そこで我々は, 並列リーマン空間に入力を投影し, 多様な幾何学的特徴を捕捉できる, 異常認識型マルチ曲率特徴アライメントモジュールを導入する。 最後に,各入力を適応的に最も互換性のある専門家に割り当てるメモリベースの動的ルータを設計する。 ゼロショット設定における広範囲な実験は、GAD-MoREが最先端のジェネラリストGADベースラインを著しく上回り、ターゲットドメインからのラベル付きデータで調整されたほとんどショットの少ない強力なライバルよりも優れていることを示している。

関連論文リスト

• 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)
• AnomalyGFM: Graph Foundation Model for Zero/Few-shot Anomaly Detection [22.584555292512427]
  AnomalyGFMは、GADのためのゼロショット推論と少数ショットプロンプトチューニングをサポートするグラフ基盤モデルである。 AnomalyGFMは、ゼロショットと少数ショットのGAD設定の両方で、最先端の競合手法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） (2025-02-13T12:10:05Z)
• 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)
• Zero-shot Generalist Graph Anomaly Detection with Unified Neighborhood Prompts [21.05107001235223]
  グラフ異常検出(GAD)は、通常のパターンから著しく逸脱したグラフ内の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、1-model-for-one-datasetアプローチである。 ゼロショット・ジェネラリストの新規なGADアプローチUNPromptを提案する。
  論文  参考訳（メタデータ） (2024-10-18T22:23:59Z)
• 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)
• 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)
• DeepRicci: Self-supervised Graph Structure-Feature Co-Refinement for Alleviating Over-squashing [72.70197960100677]
  グラフ構造学習(GSL)はグラフニューラルネットワーク(GNN)を改良したグラフで強化する上で重要な役割を果たしている。 GSLソリューションは、通常、タスク固有の監督(ノード分類)による構造改善に焦点を当てるか、GNN自体の固有の弱点を見落としている。 本稿では,典型的なGNNにおけるオーバー・スカッシングの問題を効果的に緩和する,自己教師付きグラフ構造-機能共分法について検討する。
  論文  参考訳（メタデータ） (2024-01-23T14:06:08Z)
• 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。