論文の概要: Mitigating Homophily Disparity in Graph Anomaly Detection: A Scalable and Adaptive Approach

• arxiv url: http://arxiv.org/abs/2603.08137v1
• Date: Mon, 09 Mar 2026 09:15:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:15.729732
• Title: Mitigating Homophily Disparity in Graph Anomaly Detection: A Scalable and Adaptive Approach
• Title（参考訳）: グラフ異常検出におけるホモフィラリティの緩和:スケーラブルで適応的なアプローチ
• Authors: Yunhui Liu, Qizhuo Xie, Yinfeng Chen, Xudong Jin, Tao Zheng, Bin Chong, Tieke He,
• Abstract要約: グラフ異常検出(GAD)は、構造や特徴の通常のパターンから逸脱するノードを特定することを目的としている。 最近のGNNベースのアプローチでは,1) ノードがクラスレベルとノードレベルで均質に変化するホモフィリティー,2) 拡張性に制限があるため,多くの手法がコストのかかるグラフ全体の操作に依存している。
• 参考スコア（独自算出の注目度）: 10.690844780930137
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph anomaly detection (GAD) aims to identify nodes that deviate from normal patterns in structure or features. While recent GNN-based approaches have advanced this task, they struggle with two major challenges: 1) homophily disparity, where nodes exhibit varying homophily at both class and node levels; and 2) limited scalability, as many methods rely on costly whole-graph operations. To address them, we propose SAGAD, a Scalable and Adaptive framework for GAD. SAGAD precomputes multi-hop embeddings and applies reparameterized Chebyshev filters to extract low- and high-frequency information, enabling efficient training and capturing both homophilic and heterophilic patterns. To mitigate node-level homophily disparity, we introduce an Anomaly Context-Aware Adaptive Fusion, which adaptively fuses low- and high-pass embeddings using fusion coefficients conditioned on Rayleigh Quotient-guided anomalous subgraph structures for each node. To alleviate class-level disparity, we design a Frequency Preference Guidance Loss, which encourages anomalies to preserve more high-frequency information than normal nodes. SAGAD supports mini-batch training, achieves linear time and space complexity, and drastically reduces memory usage on large-scale graphs. Theoretically, SAGAD ensures asymptotic linear separability between normal and abnormal nodes under mild conditions. Extensive experiments on 10 benchmarks confirm SAGAD's superior accuracy and scalability over state-of-the-art methods.
• Abstract（参考訳）: グラフ異常検出(GAD)は、構造や特徴の通常のパターンから逸脱するノードを特定することを目的としている。 最近のGNNベースのアプローチでは、このタスクが進んでいるが、大きな課題は2つある。 1) ノードがクラスレベルとノードレベルの両方で様々にホモフィリーを示すホモフィリー格差。 多くのメソッドがコストのかかるグラフ全体の操作に依存しているため、スケーラビリティが制限されます。 そこで我々は,GADのためのスケーラブルで適応的なフレームワークであるSAGADを提案する。 SAGADはマルチホップ埋め込みをプリ計算し、低周波情報と高周波情報を抽出するために再パラメータ化されたチェビシェフフィルタを適用し、ホモ親和性パターンとヘテロ親和性パターンの両方を効率的に訓練および取得することができる。 ノードレベルのホモフィラリティを軽減するために,各ノードに対してRayleigh Quotient-Guidsサブグラフ構造を条件とした融合係数を用いて,低域と高域の埋め込みを適応的に融合する異常コンテキスト対応型適応融合を導入する。 クラスレベルの格差を軽減するために、周波数優先誘導損失を設計し、通常のノードよりも高い周波数情報を保存することを奨励する。 SAGADは、ミニバッチトレーニングをサポートし、線形時間と空間の複雑さを達成し、大規模グラフでのメモリ使用を劇的に削減する。 理論的には、SAGADは穏やかな条件下で正常ノードと異常ノードの漸近線形分離性を保証する。 10ベンチマークの大規模な実験により、SAGADは最先端の手法よりも精度とスケーラビリティが優れていることが確認された。

関連論文リスト

• LARGE: A Locally Adaptive Regularization Approach for Estimating Gaussian Graphical Models [2.3696387635465608]
  グラフ推定のための局所適応正規化法(LARGE)を開発した。 LARGEは、グラフ推定と選択を改善するためにノードワイズチューニングパラメータを適応的に学習するアプローチである。 実際のfMRIデータセットから脳の接続性を推定し,本手法の実用性を示す。
  論文  参考訳（メタデータ） (2026-01-14T18:37:50Z)
• Multi-Head Spectral-Adaptive Graph Anomaly Detection [7.788514265469946]
  グラフ異常検出は、金融詐欺やリスク管理に広く応用されている。 既存のグラフ異常検出手法は、複雑で可変な異常パターンを扱う場合、しばしば重大な課題に直面する。 マルチヘッドスペクトル適応型グラフニューラルネットワーク(MHSA-GNN)を提案する。 本手法は, 高周波異常信号の保存を効果的に行い, 既存の最先端手法を著しく上回っている。
  論文  参考訳（メタデータ） (2025-12-25T14:55:43Z)
• ReDiSC: A Reparameterized Masked Diffusion Model for Scalable Node Classification with Structured Predictions [64.17845687013434]
  本稿では,構造化ノード分類のための構造拡散モデルであるReDiSCを提案する。 本稿では,ReDiSCが最先端のGNN,ラベル伝搬,拡散ベースラインと比較して,優れた,あるいは高い競争力を発揮することを示す。 特にReDiSCは、従来の構造化拡散法が計算制約によって失敗する大規模データセットに効果的にスケールする。
  論文  参考訳（メタデータ） (2025-07-19T04:46:53Z)
• 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)
• Alleviating Structural Distribution Shift in Graph Anomaly Detection [70.1022676681496]
  グラフ異常検出(GAD)は二項分類の問題である。 ガロン神経ネットワーク(GNN)は、同胞性隣人からの正常の分類に有用である。 ヘテロ親水性隣人の影響を緩和し、不変にするための枠組みを提案する。
  論文  参考訳（メタデータ） (2024-01-25T13:07:34Z)
• 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)

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。