論文の概要: Learning Discriminative and Generalizable Anomaly Detector for Dynamic Graph with Limited Supervision

• arxiv url: http://arxiv.org/abs/2602.20019v1
• Date: Mon, 23 Feb 2026 16:25:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.902539
• Title: Learning Discriminative and Generalizable Anomaly Detector for Dynamic Graph with Limited Supervision
• Title（参考訳）: 限定スーパービジョンを用いた動的グラフの識別・一般化可能な異常検出器の学習
• Authors: Yuxing Tian, Yiyan Qi, Fengran Mo, Weixu Zhang, Jian Guo, Jian-Yun Nie,
• Abstract要約: 動的グラフ異常検出(DGAD)は、多くの実世界のアプリケーションにとって重要であるが、ラベル付き異常が不足しているため、依然として困難である。 本稿では,3つの主要コンポーネントを持つ有効で一般化可能な,モデルに依存しないフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 31.57563937222115
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dynamic graph anomaly detection (DGAD) is critical for many real-world applications but remains challenging due to the scarcity of labeled anomalies. Existing methods are either unsupervised or semi-supervised: unsupervised methods avoid the need for labeled anomalies but often produce ambiguous boundary, whereas semi-supervised methods can overfit to the limited labeled anomalies and generalize poorly to unseen anomalies. To address this gap, we consider a largely underexplored problem in DGAD: learning a discriminative boundary from normal/unlabeled data, while leveraging limited labeled anomalies \textbf{when available} without sacrificing generalization to unseen anomalies. To this end, we propose an effective, generalizable, and model-agnostic framework with three main components: (i) residual representation encoding that capture deviations between current interactions and their historical context, providing anomaly-relevant signals; (ii) a restriction loss that constrain the normal representations within an interval bounded by two co-centered hyperspheres, ensuring consistent scales while keeping anomalies separable; (iii) a bi-boundary optimization strategy that learns a discriminative and robust boundary using the normal log-likelihood distribution modeled by a normalizing flow. Extensive experiments demonstrate the superiority of our framework across diverse evaluation settings.
• Abstract（参考訳）: 動的グラフ異常検出(DGAD)は、多くの実世界のアプリケーションにとって重要であるが、ラベル付き異常が不足しているため、依然として困難である。 既存の手法は、教師なしまたは半教師なしのいずれかである: 教師なしの手法は、ラベル付き異常を回避できるが、しばしば曖昧な境界を生じる。 このギャップに対処するために、DGADでは、通常の/ラベル付きデータから識別境界を学習しながら、制限付きラベル付き異常 \textbf{when available} を利用して一般化を犠牲にすることなく、ほとんど探索されていない問題を考える。 この目的のために,3つの主要コンポーネントを持つ効果的で一般化可能な,モデルに依存しないフレームワークを提案する。 一 現在の相互作用とその歴史的文脈のずれを捉え、異常関連信号を提供する残留表現 (二) 2つの共心超球で束縛された区間内の正規表現を制限し、異常を分離し、一貫したスケールを確保する制限損失 三 正規化フローによってモデル化された正規対数分布を用いて、識別的かつ堅牢な境界を学習する二境界最適化戦略。 大規模な実験は、様々な評価設定にまたがって、我々のフレームワークの優位性を実証する。

関連論文リスト

• Multi-Cue Anomaly Detection and Localization under Data Contamination [0.6703429330486276]
  本稿では,適応的偏差学習パラダイムに限定的な異常監視を組み込んだ頑健な異常検出フレームワークを提案する。 本フレームワークは, 各種データ汚染下での強い検出・局所化性能, 解釈可能性, 堅牢性を実現する。
  論文  参考訳（メタデータ） (2026-01-30T12:34:13Z)
• Towards Anomaly-Aware Pre-Training and Fine-Tuning for Graph Anomaly Detection [59.042018542376596]
  グラフ異常検出(GAD)は近年注目度が高まりつつあるが、2つの重要な要因があるため、依然として困難である。 Anomaly-Aware Pre-Training and Fine-Tuning (APF)は、GADの課題を軽減するためのフレームワークである。 10のベンチマークデータセットに関する総合的な実験は、最先端のベースラインと比較してAPFの優れたパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2025-04-19T09:57:35Z)
• 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)
• Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
  我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
  論文  参考訳（メタデータ） (2023-12-26T07:08:06Z)
• Open-Set Graph Anomaly Detection via Normal Structure Regularisation [30.638274744518682]
  Open-set Graph Anomaly Detection (GAD)は、少数の正規ノードと異常ノードを使用して検出モデルをトレーニングすることを目的としている。 現在の監督型GAD法は、目に見えない異常を正常なノードとして検出する多くの誤りを招き、その異常を過度に強調する傾向にある。 本稿では,新しいオープンセットGAD手法,すなわち正規構造正規化(NSReg)を提案する。
  論文  参考訳（メタデータ） (2023-11-12T13:25:28Z)
• Explicit Boundary Guided Semi-Push-Pull Contrastive Learning for Supervised Anomaly Detection [14.27685411466415]
  ほとんどの異常検出(AD)モデルは、教師なしの方法で通常のサンプルのみを使用して学習される。 そこで本研究では,新しい境界案内型半プッシュプルコントラスト学習機構を提案する。
  論文  参考訳（メタデータ） (2022-07-04T14:50:23Z)
• Toward Deep Supervised Anomaly Detection: Reinforcement Learning from Partially Labeled Anomaly Data [150.9270911031327]
  本稿では,一部のラベル付き異常事例と大規模ラベルなしデータセットを用いた異常検出の問題点について考察する。 既存の関連手法は、通常、一連の異常にまたがらない限られた異常例にのみ適合するか、ラベルのないデータから教師なしの学習を進めるかのいずれかである。 そこで本研究では,ラベル付きおよびラベルなし両方の異常の検出をエンドツーエンドに最適化する,深層強化学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2020-09-15T03:05:39Z)
• Deep Weakly-supervised Anomaly Detection [118.55172352231381]
  ペアワイズ関係予測ネットワーク(PReNet)は、ペアワイズ関係の特徴と異常スコアを学習する。 PReNetは、学習したペアの異常パターンに適合する見知らぬ異常を検出できる。 12の実世界のデータセットに対する実証的な結果から、PReNetは目に見えない異常や異常を検知する9つの競合する手法を著しく上回っている。
  論文  参考訳（メタデータ） (2019-10-30T00:40:25Z)

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。