論文の概要: Evolutionary Router Feature Generation for Zero-Shot Graph Anomaly Detection with Mixture-of-Experts

• arxiv url: http://arxiv.org/abs/2602.11622v1
• Date: Thu, 12 Feb 2026 06:16:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.666207
• Title: Evolutionary Router Feature Generation for Zero-Shot Graph Anomaly Detection with Mixture-of-Experts
• Title（参考訳）: 混合実験によるゼロショットグラフ異常検出のための進化的ルータ特徴生成
• Authors: Haiyang Jiang, Tong Chen, Xinyi Gao, Guansong Pang, Quoc Viet Hung Nguyen, Hongzhi Yin,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 60.60414602796664
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Zero-shot graph anomaly detection (GAD) has attracted increasing attention recent years, yet the heterogeneity of graph structures, features, and anomaly patterns across graphs make existing single GNN methods insufficiently expressive to model diverse anomaly mechanisms. In this regard, Mixture-of-experts (MoE) architectures provide a promising paradigm by integrating diverse GNN experts with complementary inductive biases, yet their effectiveness in zero-shot GAD is severely constrained by distribution shifts, leading to two key routing challenges. First, nodes often carry vastly different semantics across graphs, and straightforwardly performing routing based on their features is prone to generating biased or suboptimal expert assignments. Second, as anomalous graphs often exhibit pronounced distributional discrepancies, existing router designs fall short in capturing domain-invariant routing principles that generalize beyond the training graphs. To address these challenges, we propose a novel MoE framework with evolutionary router feature generation (EvoFG) for zero-shot GAD. To enhance MoE routing, we propose an evolutionary feature generation scheme that iteratively constructs and selects informative structural features via an LLM-based generator and Shapley-guided evaluation. Moreover, a memory-enhanced router with an invariant learning objective is designed to capture transferable routing patterns under distribution shifts. Extensive experiments on six benchmarks show that EvoFG consistently outperforms state-of-the-art baselines, achieving strong and stable zero-shot GAD performance.
• Abstract（参考訳）: ゼロショットグラフ異常検出(GAD)は近年注目されているが、グラフ構造、特徴、異常パターンの不均一性により、既存の単一のGNN手法は様々な異常メカニズムをモデル化するには不十分である。 この点において、Mixture-of-experts(MoE)アーキテクチャは、多様なGNN専門家を補完的な帰納バイアスで統合することで、有望なパラダイムを提供する。 まず、ノードはグラフにまたがって非常に異なるセマンティクスを持ち、その特徴に基づいて簡単にルーティングを実行することは、バイアスや最適でない専門家の割り当てを生成する傾向がある。 第二に、異常グラフはしばしば分布の相違が顕著であるので、既存のルータの設計は、トレーニンググラフを超えて一般化されるドメイン不変のルーティング原則を捉えるのに不足している。 これらの課題に対処するため、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。 そこで本研究では,LLMベースのジェネレータとShapley-Guided評価を用いて,情報的特徴を反復的に構築し,選択する進化的特徴生成手法を提案する。 さらに、分散シフト下での転送可能なルーティングパターンをキャプチャするために、不変学習目的のメモリ拡張ルータを設計する。 6つのベンチマークの大規模な実験により、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。

関連論文リスト

• Zero-shot Generalizable Graph Anomaly Detection with Mixture of Riemannian Experts [33.295461492913354]
  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。
  論文  参考訳（メタデータ） (2026-02-06T16:46:30Z)
• Plain Transformers are Surprisingly Powerful Link Predictors [57.01966734467712]
  リンク予測はグラフ機械学習における中核的な課題であり、リッチで複雑なトポロジ的依存関係をキャプチャするモデルを必要とする。 グラフニューラルネットワーク(GNN)が標準的なソリューションであるのに対して、最先端のパイプラインは明示的な構造やメモリ集約的なノードの埋め込みに依存していることが多い。 本報告では,手作りのプリミティブに置き換えるエンコーダのみのプレーントランスであるPENCILについて,サンプリングしたローカルサブグラフに注目する。
  論文  参考訳（メタデータ） (2026-02-02T02:45:52Z)
• EGAM: Extended Graph Attention Model for Solving Routing Problems [22.275711969435374]
  既存のグラフアテンション機構を一般化し,拡張グラフアテンションモデル(EGAM)を提案する。 本モデルは,従来のGAMの限界に対処するため,ノードとエッジの埋め込みを更新するために,マルチヘッドドット積の注意を利用する。 EGAMは、様々なルーティング問題にまたがる既存のメソッドにマッチする。
  論文  参考訳（メタデータ） (2026-01-29T05:30:34Z)
• Adaptive Graph Mixture of Residual Experts: Unsupervised Learning on Diverse Graphs with Heterogeneous Specialization [17.89950704690598]
  我々は、グラフ上の不均一なMoEの堅牢で完全に教師なしのトレーニングを可能にする、原則化されたフレームワークであるADaMoREを紹介する。 構造認識型ゲーティングネットワークは、きめ細かいノードルーティングを実行する。 私たちの設計はデータ効率とトレーニングの安定性を改善します。
  論文  参考訳（メタデータ） (2025-10-24T07:18:24Z)
• Parameter-Free Structural-Diversity Message Passing for Graph Neural Networks [8.462209415744098]
  グラフニューラルネットワーク(GNN)はノード分類などの構造化データモデリングタスクにおいて顕著な性能を示した。 本稿では,構造的多様性に基づくパラメータフリーグラフニューラルネットワークフレームワークを提案する。 このフレームワークは構造多様性理論にインスパイアされ、統一された構造多様性メッセージパッシング機構を設計する。
  論文  参考訳（メタデータ） (2025-08-27T13:42:45Z)
• 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)
• HCVP: Leveraging Hierarchical Contrastive Visual Prompt for Domain Generalization [69.33162366130887]
  ドメイン一般化(DG)は、不変の機能を学ぶことによって、目に見えないシナリオに優れた機械学習モデルを作成するための取り組みである。 モデルにドメインレベルとタスク固有の特性を補足する新しい手法を提案する。 このアプローチは、特定の特徴から不変な特徴をより効果的に分離し、一般化を促進することを目的としている。
  論文  参考訳（メタデータ） (2024-01-18T04:23:21Z)
• Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
  我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。 理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-05T02:31:01Z)

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。