論文の概要: TA-GGAD: Testing-time Adaptive Graph Model for Generalist Graph Anomaly Detection

• arxiv url: http://arxiv.org/abs/2603.09349v1
• Date: Tue, 10 Mar 2026 08:30:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:24.150556
• Title: TA-GGAD: Testing-time Adaptive Graph Model for Generalist Graph Anomaly Detection
• Title（参考訳）: TA-GGAD:一般グラフ異常検出のためのテスト時間適応グラフモデル
• Authors: Xiong Zhang, Hong Peng, Changlong Fu, Xin Jin, Yun Yang, Cheng Xie,
• Abstract要約: 偽ニュース、非準拠ユーザ、悪意のあるトランザクション、悪意のある投稿など、現実の世界におけるかなりの数の異常ノードは、グラフデータエコシステムの健全性を著しく損なう。 複数のデータドメインにまたがる異常は機能に大きな違いを示すが、クロスドメイン検出モデルは深刻なドメインシフト問題に直面している。 本研究では,グラフ異常検出における領域シフトによって現れる特定の特徴ミスマッチパターンを同定し,定量的に解析する。
• 参考スコア（独自算出の注目度）: 17.723876789020565
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A significant number of anomalous nodes in the real world, such as fake news, noncompliant users, malicious transactions, and malicious posts, severely compromises the health of the graph data ecosystem and urgently requires effective identification and processing. With anomalies that span multiple data domains yet exhibit vast differences in features, cross-domain detection models face severe domain shift issues, which limit their generalizability across all domains. This study identifies and quantitatively analyzes a specific feature mismatch pattern exhibited by domain shift in graph anomaly detection, which we define as the \emph{Anomaly Disassortativity} issue ($\mathcal{AD}$). Based on the modeling of the issue $\mathcal{AD}$, we introduce a novel graph foundation model for anomaly detection. It achieves cross-domain generalization in different graphs, requiring only a single training phase to perform effectively across diverse domains. The experimental findings, based on fourteen diverse real-world graphs, confirm a breakthrough in the model's cross-domain adaptation, achieving a pioneering state-of-the-art (SOTA) level in terms of detection accuracy. In summary, the proposed theory of $\mathcal{AD}$ provides a novel theoretical perspective and a practical route for future research in generalist graph anomaly detection (GGAD). The code is available at https://anonymous.4open.science/r/Anonymization-TA-GGAD/.
• Abstract（参考訳）: 偽ニュース、非準拠ユーザ、悪意のあるトランザクション、悪意のある投稿など、現実世界のかなりの数の異常ノードは、グラフデータエコシステムの健全性を著しく侵害し、緊急に効果的な識別と処理を必要としている。 複数のデータドメインにまたがる異常は機能に大きな違いを示すが、クロスドメイン検出モデルは深刻なドメインシフト問題に直面し、全ドメインにわたる一般化性を制限する。 本研究は,グラフ異常検出における領域シフトによって現れる特定の特徴ミスマッチパターンを同定し,定量的に解析し,そのパターンを「emph{Anomaly Disassortativity} issue」(\mathcal{AD}$)と定義する。 問題である$\mathcal{AD}$のモデル化に基づき、異常検出のための新しいグラフ基盤モデルを導入する。 異なるグラフにおけるクロスドメインの一般化を実現し、多様な領域で効果的に機能するためには、単一のトレーニングフェーズしか必要としない。 実験結果は14の多様な実世界のグラフに基づいて、モデルのクロスドメイン適応のブレークスルーを確認し、検出精度の点で先駆的なSOTA(State-of-the-art)レベルを達成した。 まとめると、$\mathcal{AD}$の理論は、一般グラフ異常検出(GGAD)における将来の研究のための新しい理論的な視点と実践的な経路を提供する。 コードはhttps://anonymous.4open.science/r/匿名化-TA-GGAD/で入手できる。

関連論文リスト

• DP-DGAD: A Generalist Dynamic Graph Anomaly Detector with Dynamic Prototypes [43.326258937751625]
  動的グラフ異常検出(DGAD)は、金融、トラフィック、ソーシャルネットワークなどの分野にわたるグラフの進化における異常を特定するために不可欠である。 本稿では,動的プロトタイプ(DP)を用いたDGADモデルを提案する。 DP-DGADは、ターゲットドメインにおける効果的な自己教師付き適応に信頼に基づく疑似ラベルを用いる。
  論文  参考訳（メタデータ） (2025-08-01T14:35:50Z)
• A Graph-Based Framework for Interpretable Whole Slide Image Analysis [86.37618055724441]
  我々は,全スライディング画像を生物学的にインフォームドされたグラフ表現に変換するフレームワークを開発した。 我々のアプローチは、任意の格子ではなく、自然構造を尊重する組織領域からグラフノードを構築する。 がんのステージングと生存予測の課題に強いパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-03-14T20:15:04Z)
• AnomalyGFM: Graph Foundation Model for Zero/Few-shot Anomaly Detection [22.584555292512427]
  AnomalyGFMは、GADのためのゼロショット推論と少数ショットプロンプトチューニングをサポートするグラフ基盤モデルである。 AnomalyGFMは、ゼロショットと少数ショットのGAD設定の両方で、最先端の競合手法よりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2025-02-13T12:10:05Z)
• 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)
• Improving Generalizability of Graph Anomaly Detection Models via Data Augmentation [30.81263206800531]
  グラフ異常検出(GAD)は、少数の異常でさえ、良心的ユーザに対して大きな脅威をもたらす可能性があるため、重要なタスクである。 従来の知識として利用可能なラベルを効果的に活用できる最近の半教師付きGAD法は、教師なし手法よりも優れた性能を実現している。 トレーニングデータを充実させ,GADモデルの一般化性を高めるために,textitAugAN というデータ拡張手法を提案する。
  論文  参考訳（メタデータ） (2023-06-18T11:54:18Z)
• 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)
• Source Free Unsupervised Graph Domain Adaptation [60.901775859601685]
  Unsupervised Graph Domain Adaptation (UGDA) はノード分類のラベル付けコストを削減するための実用的価値を示している。 既存のUGDAメソッドの多くは、ソースドメインのラベル付きグラフに大きく依存している。 現実のシナリオでは、ソースグラフはプライバシーの問題のためにアクセスできない。 我々は、Source Free Unsupervised Graph Domain Adaptation (SFUGDA) という新しいシナリオを提案する。
  論文  参考訳（メタデータ） (2021-12-02T03:18:18Z)

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。