論文の概要: Interpretable Graph-Level Anomaly Detection via Contrast with Normal Prototypes

• arxiv url: http://arxiv.org/abs/2602.10708v1
• Date: Wed, 11 Feb 2026 10:11:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.739429
• Title: Interpretable Graph-Level Anomaly Detection via Contrast with Normal Prototypes
• Title（参考訳）: 標準原型との対比による解釈可能なグラフレベル異常検出
• Authors: Qiuran Zhao, Kai Ming Ting, Xinpeng Li,
• Abstract要約: プロトタイプベースグラフレベル異常検出(ProtoGLAD)を提案する。 検出された各異常について、最も近い通常のプロトタイプグラフと明示的に対比して説明を提供する。 ProtoGLADは最先端のGLAD法と比較して競合異常検出性能が向上する。
• 参考スコア（独自算出の注目度）: 5.741235935289705
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The task of graph-level anomaly detection (GLAD) is to identify anomalous graphs that deviate significantly from the majority of graphs in a dataset. While deep GLAD methods have shown promising performance, their black-box nature limits their reliability and deployment in real-world applications. Although some recent methods have made attempts to provide explanations for anomaly detection results, they either provide explanations without referencing normal graphs, or rely on abstract latent vectors as prototypes rather than concrete graphs from the dataset. To address these limitations, we propose Prototype-based Graph-Level Anomaly Detection (ProtoGLAD), an interpretable unsupervised framework that provides explanation for each detected anomaly by explicitly contrasting with its nearest normal prototype graph. It employs a point-set kernel to iteratively discover multiple normal prototype graphs and their associated clusters from the dataset, then identifying graphs distant from all discovered normal clusters as anomalies. Extensive experiments on multiple real-world datasets demonstrate that ProtoGLAD achieves competitive anomaly detection performance compared to state-of-the-art GLAD methods while providing better human-interpretable prototype-based explanations.
• Abstract（参考訳）: グラフレベルの異常検出(GLAD)の課題は、データセットのほとんどのグラフから大きく逸脱する異常グラフを特定することである。 深いGLADメソッドは有望なパフォーマンスを示しているが、ブラックボックスの性質は、実際のアプリケーションにおける信頼性とデプロイメントを制限する。 いくつかの最近の手法では異常検出結果の説明を試みているが、それらは通常のグラフを参照せずに説明を提供するか、データセットの具体的なグラフではなく、抽象潜在ベクトルをプロトタイプとして依存する。 これらの制約に対処するため,Prototype-based Graph-Level Anomaly Detection (ProtoGLAD)を提案する。 ポイントセットカーネルを使用して、データセットから複数の通常のプロトタイプグラフとその関連するクラスタを反復的に検出し、発見された通常のクラスタから離れたグラフを異常として識別する。 複数の実世界のデータセットに対する大規模な実験により、ProtoGLADは最先端のGLAD手法と比較して競合する異常検出性能を達成し、より優れた人間解釈可能なプロトタイプベースの説明を提供することが示された。

関連論文リスト

• 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)
• Towards Self-Interpretable Graph-Level Anomaly Detection [73.1152604947837]
  グラフレベルの異常検出(GLAD)は、コレクションの大多数と比べて顕著な相違を示すグラフを識別することを目的としている。 本稿では,異常なグラフを検出し,同時に情報的説明を生成する自己解釈グラフaNomaly dETectionモデル(SIGNET)を提案する。
  論文  参考訳（メタデータ） (2023-10-25T10:10:07Z)
• 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)
• Deep Orthogonal Hypersphere Compression for Anomaly Detection [24.520413393132323]
  多くのよく知られた効果的な異常検出法は、合理的な決定境界が超球形であることを仮定する。 本稿では,従来のハイパースフィア学習を改良した新しい深部異常検出モデルを提案する。 本稿では,超球面よりもコンパクトな決定領域が得られる超球面殻を得るための超球面圧縮法を提案する。
  論文  参考訳（メタデータ） (2023-02-13T15:10:18Z)
• 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。