論文の概要: From Few-Shot to Zero-Shot: Towards Generalist Graph Anomaly Detection

• arxiv url: http://arxiv.org/abs/2602.18793v1
• Date: Sat, 21 Feb 2026 10:59:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.316262
• Title: From Few-Shot to Zero-Shot: Towards Generalist Graph Anomaly Detection
• Title（参考訳）: Few-ShotからZero-Shotへ:一般グラフ異常検出に向けて
• Authors: Yixin Liu, Shiyuan Li, Yu Zheng, Qingfeng Chen, Chengqi Zhang, Philip S. Yu, Shirui Pan,
• Abstract要約: ARCは、文脈内学習を利用した数発のGAD法であり、推論時にわずかにラベル付き正規サンプルを必要とする。 ARCとARC_zeroは、異常を効果的に検出し、強力な一般化能力を示し、少数ショットおよびゼロショット設定下で効率的に実行する。
• 参考スコア（独自算出の注目度）: 89.52759572485276
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph anomaly detection (GAD) is critical for identifying abnormal nodes in graph-structured data from diverse domains, including cybersecurity and social networks. The existing GAD methods often focus on the learning paradigms of "one-model-for-one-dataset", requiring dataset-specific training for each dataset to achieve optimal performance. However, this paradigm suffers from significant limitations, such as high computational and data costs, limited generalization and transferability to new datasets, and challenges in privacy-sensitive scenarios where access to full datasets or sufficient labels is restricted. To address these limitations, we propose a novel generalist GAD paradigm that aims to develop a unified model capable of detecting anomalies on multiple unseen datasets without extensive retraining/fine-tuning or dataset-specific customization. To this end, we propose ARC, a few-shot generalist GAD method that leverages in-context learning and requires only a few labeled normal samples at inference time. Specifically, ARC consists of three core modules: a feature Alignment module to unify and align features across datasets, a Residual GNN encoder to capture dataset-agnostic anomaly representations, and a cross-attentive in-Context learning module to score anomalies using few-shot normal context. Building on ARC, we further introduce ARC_zero for the zero-shot generalist GAD setting, which selects representative pseudo-normal nodes via a pseudo-context mechanism and thus enables fully label-free inference on unseen datasets. Extensive experiments on 17 real-world graph datasets demonstrate that both ARC and ARC_zero effectively detect anomalies, exhibit strong generalization ability, and perform efficiently under few-shot and zero-shot settings.
• Abstract（参考訳）: グラフ異常検出(GAD)は、サイバーセキュリティやソーシャルネットワークなど、さまざまな領域のグラフ構造化データの異常ノードを特定するために重要である。 既存のGADメソッドは、最適なパフォーマンスを達成するためにデータセット固有のトレーニングを必要とする、"one-model-for-one-dataset"の学習パラダイムに重点を置いていることが多い。 しかし、このパラダイムは、高い計算とデータコスト、新しいデータセットへの一般化と転送可能性の制限、完全なデータセットや十分なラベルへのアクセスが制限されたプライバシーに敏感なシナリオの課題など、重大な制限に悩まされている。 これらの制約に対処するため、我々は、広範囲なリトレーニング/ファインチューニングやデータセット固有のカスタマイズを行うことなく、複数の未確認データセット上の異常を検出できる統一モデルを開発することを目的とした、新しいジェネラリストGADパラダイムを提案する。 そこで本研究では,文脈内学習を利用した数発のGAD手法であるARCを提案する。 具体的には、データセット間で機能を統一および整合させる機能アライメントモジュール、データセットに依存しない異常表現をキャプチャするResidual GNNエンコーダ、数ショットの通常のコンテキストを使用して異常をスコアするクロスアテンテートなインコンテキスト学習モジュールの3つのコアモジュールで構成されている。 ARC上に構築したARC_zeroは、擬似コンテキスト機構により代表擬似正規ノードを選択するゼロショット一般GAD設定のためのARC_zeroを導入し、未知のデータセットに対する完全なラベルなし推論を可能にする。 17の実世界のグラフデータセットに対する大規模な実験により、ARCとARC_zeroの両方が異常を効果的に検出し、強力な一般化能力を示し、少数ショットおよびゼロショット設定下で効率的に実行することを示した。

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)
• Correcting False Alarms from Unseen: Adapting Graph Anomaly Detectors at Test Time [60.341117019125214]
  グラフ異常検出(GAD)における未確認正規pattErnsの修正のための,軽量かつプラグアンドプレイなテスト時間適応フレームワークを提案する。 意味的混乱に対処するために、シフトしたデータと元のデータとをグラフ属性レベルで整合させるグラフ整合器を用いる。 10個の実世界のデータセットに対する大規模な実験により、TUNEは事前学習されたGADモデルの合成パターンと実際の見えない正常パターンの両方への一般化性を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-11-10T12:10:05Z)
• UniOD: A Universal Model for Outlier Detection across Diverse Domains [22.653890395053207]
  Outlier Detection(OD)は、完全にラベル付けされていないデータセットにおいて、inlierとoutlierを区別することを目指している。 ラベル付きデータセットを活用する汎用ODフレームワークUniODを提案する。 We evaluate UniOD on 15 benchmark OD datasets against 15 state-of-the-art baselines, showed its effective。
  論文  参考訳（メタデータ） (2025-07-09T07:52:12Z)
• 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)
• 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)

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。