論文の概要: GCTAM: Global and Contextual Truncated Affinity Combined Maximization Model For Unsupervised Graph Anomaly Detection

• arxiv url: http://arxiv.org/abs/2603.01806v1
• Date: Mon, 02 Mar 2026 12:40:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.872189
• Title: GCTAM: Global and Contextual Truncated Affinity Combined Maximization Model For Unsupervised Graph Anomaly Detection
• Title（参考訳）: GCTAM: 教師なしグラフ異常検出のための大域的および文脈的Trncated Affinity複合最大化モデル
• Authors: Xiong Zhang, Hong Peng, Zhenli He, Cheng Xie, Xin Jin, Hua Jiang,
• Abstract要約: 悪質なユーザー、悪意のあるコメント、禁止されたユーザー、偽ニュースなど、現実世界の情報ネットワークやグラフに異常が発生することが多い。 最新のグラフ異常検出手法では、truncated affinity (TAM)と呼ばれる新しいメカニズムを使用して異常ノードを検出する。 本稿では,コンテキスト親和性とグローバル親和性を組み合わせて,異常ノードをトランケートする新しいトランケーションモデルを提案する。
• 参考スコア（独自算出の注目度）: 16.585728298841467
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomalies often occur in real-world information networks/graphs, such as malevolent users, malicious comments, banned users, and fake news in social graphs. The latest graph anomaly detection methods use a novel mechanism called truncated affinity maximization (TAM) to detect anomaly nodes without using any label information and achieve impressive results. TAM maximizes the affinities among the normal nodes while truncating the affinities of the anomalous nodes to identify the anomalies. However, existing TAM-based methods truncate suspicious nodes according to a rigid threshold that ignores the specificity and high-order affinities of different nodes. This inevitably causes inefficient truncations from both normal and anomalous nodes, limiting the effectiveness of anomaly detection. To this end, this paper proposes a novel truncation model combining contextual and global affinity to truncate the anomalous nodes. The core idea of the work is to use contextual truncation to decrease the affinity of anomalous nodes, while global truncation increases the affinity of normal nodes. Extensive experiments on massive real-world datasets show that our method surpasses peer methods in most graph anomaly detection tasks. In highlights, compared with previous state-of-the-art methods, the proposed method has +15\% $\sim$ +20\% improvements in two famous real-world datasets, Amazon and YelpChi. Notably, our method works well in large datasets, Amazin-all and YelpChi-all, and achieves the best results, while most previous models cannot complete the tasks.
• Abstract（参考訳）: 悪質なユーザー、悪意のあるコメント、禁止されたユーザー、ソーシャルグラフのフェイクニュースなど、現実世界の情報ネットワークやグラフに異常が発生することが多い。 最新のグラフ異常検出手法では、Truncated Affinity maximization (TAM)と呼ばれる新しいメカニズムを使用して、ラベル情報を使用しずに異常ノードを検出し、印象的な結果を得る。 TAMは正常ノード間の親和性を最大化し、異常ノードの親和性を減らし、異常を識別する。 しかし、既存のTAMベースの手法では、異なるノードの特異性や高次親和性を無視した厳密なしきい値に従って、疑わしいノードを切断する。 これは必然的に、正常ノードと異常ノードの両方から非効率な切り離しを引き起こし、異常検出の有効性を制限する。 そこで本研究では,コンテキスト親和性とグローバル親和性を組み合わせて,異常ノードを切り離す新しいトランケーションモデルを提案する。 この研究の中核となる考え方は、異常ノードの親和性を減らすためにコンテキストトランニケーションを使用することであり、一方、グローバルトランニケーションは通常のノードの親和性を高める。 大規模な実世界のデータセットに対する大規模な実験により、ほとんどのグラフ異常検出タスクにおいて、我々の手法がピアメソッドを超えていることが判明した。 ハイライトでは、従来の最先端メソッドと比較して、提案手法は、AmazonとYelpChiの2つの有名な実世界のデータセットにおいて、+15\% $\sim$ +20\%改善されている。 特に、我々の方法は、Amazin-allとYelpChi-allの大規模なデータセットでうまく機能し、最高の結果を得るが、以前のモデルではタスクを完了できない。

関連論文リスト

• Generative Semi-supervised Graph Anomaly Detection [42.02691404704764]
  この研究は、グラフ内のノードの一部が正規であることが知られている、実用的な半教師付きグラフ異常検出(GAD)シナリオについて考察する。 我々は,通常のノードをよりよく活用するために,半教師付きシナリオのための新しいGAD手法(GGAD)を提案する。 GGADは、異常ノード(非対称な局所親和性と自中心的親密性)に関する2つの重要な先行情報を活用するように設計されている。
  論文  参考訳（メタデータ） (2024-02-19T06:55:50Z)
• Multitask Active Learning for Graph Anomaly Detection [48.690169078479116]
  MultItask acTIve Graph Anomaly Detection framework,すなわちMITIGATEを提案する。 ノード分類タスクを結合することにより、MITIGATEは既知の異常を伴わずに配布外ノードを検出する能力を得る。 4つのデータセットに関する実証的研究は、MITIGATEが異常検出のための最先端の手法を著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2024-01-24T03:43:45Z)
• ADA-GAD: Anomaly-Denoised Autoencoders for Graph Anomaly Detection [84.0718034981805]
  我々はAnomaly-Denoized Autoencoders for Graph Anomaly Detection (ADA-GAD)という新しいフレームワークを導入する。 第1段階では,異常レベルを低減したグラフを生成する学習自由な異常化拡張法を設計する。 次の段階では、デコーダは元のグラフで検出するために再訓練される。
  論文  参考訳（メタデータ） (2023-12-22T09:02:01Z)
• Normality Learning-based Graph Anomaly Detection via Multi-Scale Contrastive Learning [61.57383634677747]
  グラフ異常検出(GAD)は、機械学習やデータマイニングにおいて注目を集めている。 本稿では,マルチスケールコントラスト学習ネットワーク(NLGAD,略語)による正規性学習に基づくGADフレームワークを提案する。 特に,提案アルゴリズムは,最先端手法と比較して検出性能(最大5.89%のAUCゲイン)を向上させる。
  論文  参考訳（メタデータ） (2023-09-12T08:06:04Z)
• Label-based Graph Augmentation with Metapath for Graph Anomaly Detection [8.090325400557697]
  本稿では,2つのエンコーダとデコーダの両方にGCN層を組み込んだMetapath-based Graph Anomaly Detection (MGAD)を提案する。 本稿では,7つの実世界のネットワークを対象とした総合的な実験を通して,MGAD法が最先端技術よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-21T05:41:05Z)
• 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)
• Truncated Affinity Maximization: One-class Homophily Modeling for Graph Anomaly Detection [21.731515133452977]
  正常ノードは互いに強い接続・親和性を持つ傾向を示し, 異常ノードのホモフィリは正常ノードよりも著しく弱いことを示す。 この異常識別特性は、従来の異常検出目的を用いて構築される既存の異常検出方法によって無視される。 本稿では, 隣接ノードの局所親和性を最大化することにより, 異常測度に適したノード表現を学習するTruncated Affinity Maximization (TAM)を提案する。
  論文  参考訳（メタデータ） (2023-05-29T08:39:16Z)
• Cross-Domain Graph Anomaly Detection via Anomaly-aware Contrastive Alignment [22.769474986808113]
  クロスドメイングラフ異常検出(CD-GAD)は、非競合対象グラフにおける異常ノードを検出する問題を記述する。 本稿では,GADのための新しいドメイン適応手法,すなわちAnomaly-aware ContrastivealignedmenT (ACT)を導入する。 ACTは10種類の最先端GAD法で検出性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2022-12-02T11:21:48Z)
• 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)
• Unveiling Anomalous Edges and Nominal Connectivity of Attributed Networks [53.56901624204265]
  本研究では、相補的な強さを持つ2つの異なる定式化を用いて、属性グラフの異常なエッジを明らかにする。 まず、グラフデータマトリックスを低ランクとスパースコンポーネントに分解することで、パフォーマンスを著しく向上させる。 第2は、乱れのないグラフを頑健に復元することにより、第1のスコープを広げ、異常識別性能を高める。
  論文  参考訳（メタデータ） (2021-04-17T20:00:40Z)

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。