論文の概要: NK-GAD: Neighbor Knowledge-Enhanced Unsupervised Graph Anomaly Detection

• arxiv url: http://arxiv.org/abs/2604.15668v1
• Date: Fri, 17 Apr 2026 03:47:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.726385
• Title: NK-GAD: Neighbor Knowledge-Enhanced Unsupervised Graph Anomaly Detection
• Title（参考訳）: NK-GAD: 周辺知識による教師なしグラフ異常検出
• Abstract要約: 実世界のグラフはしばしば属性レベルのヘテロフィリを示し、連結ノードは異なる属性を持つ。 NK-GADは,近隣の知識を付加した教師なしグラフ異常検出フレームワークである。 7つのデータセットの実験では、NK-GADは平均3.29%のAUC改善を達成している。
• 参考スコア（独自算出の注目度）: 23.361428193356435
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph anomaly detection aims to identify irregular patterns in graph-structured data. Most unsupervised GNN-based methods rely on the homophily assumption that connected nodes share similar attributes. However, real-world graphs often exhibit attribute-level heterophily, where connected nodes have dissimilar attributes. Our analysis of attribute-level heterophily graphs reveals two phenomena indicating that current approaches are not practical for unsupervised graph anomaly detection: 1) attribute similarities between connected nodes show nearly identical distributions across different connected node pair types, and 2) anomalies cause consistent variation trends between the graph with and without anomalous edges in the low- and high-frequency components of the spectral energy distributions, while the mid-part exhibits more erratic variations. Based on these observations, we propose NK-GAD, a neighbor knowledge-enhanced unsupervised graph anomaly detection framework. NK-GAD integrates a joint encoder capturing both similar and dissimilar neighbor features, a neighbor reconstruction module modeling normal distributions, a center aggregation module refining node features, and dual decoders for reconstructing attributes and structures. Experiments on seven datasets show NK-GAD achieves an average 3.29\% AUC improvement.
• Abstract（参考訳）: グラフ異常検出は、グラフ構造化データの不規則なパターンを特定することを目的としている。 教師なしのGNNベースのほとんどの手法は、接続ノードが類似した属性を共有するというホモフィリーな仮定に依存している。 しかし、実世界のグラフは、連結ノードが異なる属性を持つような属性レベルのヘテロフィリを示すことが多い。 属性レベルのヘテロフィリグラフの解析により、現在のアプローチが教師なしグラフ異常検出に実用的でないことを示す2つの現象が明らかになった。 1)連結ノード間の属性類似性は、異なる連結ノードペアタイプ間でほぼ同一の分布を示し、 2) 異常は, スペクトルエネルギー分布の低周波成分と高周波成分の異常エッジと非異常エッジとの間に一貫した変動傾向を生じ, 中間部はより不規則な変動を示す。 これらの観測に基づいて,近隣の知識を付加した教師なしグラフ異常検出フレームワークNK-GADを提案する。 NK-GADは、類似した特徴と異なる隣り合う特徴の両方をキャプチャするジョイントエンコーダ、正規分布をモデル化する隣の再構成モジュール、ノードの特徴を再構築する中心集約モジュール、属性と構造を再構成するデュアルデコーダを統合している。 7つのデータセットの実験では、NK-GADは平均3.29\%のAUC改善を達成している。

関連論文リスト

• A Zero-shot Generalized Graph Anomaly Detection Framework via Node Reconstruction [1.878263777814554]
  クロスドメイングラフ異常検出(GAD)は、目に見えないターゲットグラフ内の異常ノードを識別することを目的としており、異種グラフデータを用いた実世界のアプリケーションに強い可能性を示す。 ゼロショット一般化グラフ異常検出フレームワークAlignGADを提案する。 我々のフレームワークは,異種ノードの特徴を整列し,スペクトル領域におけるグラフ信号の正規化を行うグローバル統一モジュール,クラスタ対応グラフビューを構築してグループレベルの異常パターンをキャプチャするクラスタリングモジュール,および異なるグラフビューから異常を再現し,異常な証拠を集約するノード異性度スコアリングモジュールという3つの重要なコンポーネントで構成されている。
  論文  参考訳（メタデータ） (2026-06-10T20:59:24Z)
• NeiGAD: Augmenting Graph Anomaly Detection via Spectral Neighbor Information [40.02922664232736]
  NeiGADは、スペクトルグラフ解析によって近隣情報をキャプチャする新しいプラグイン・アンド・プレイモジュールである。 8つの実世界のデータセットの実験により、NeiGADは検出精度を一貫して改善し、最先端のGAD手法より優れていることが示された。
  論文  参考訳（メタデータ） (2026-03-30T11:26:56Z)
• Counterfactual Data Augmentation with Denoising Diffusion for Graph Anomaly Detection [32.165578819142695]
  グラフ異常検出のための教師なし対実データ拡張法CAGADを提案する。 グラフ固有の拡散モデルを設計し、その近傍の一部(おそらく通常のもの)を異常なものに翻訳する。 翻訳された異常な隣人を集約することで、偽造表現はより識別しやすくなり、さらに検出性能を主張する。
  論文  参考訳（メタデータ） (2024-07-02T10:37:54Z)
• 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)
• 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)
• GAD-NR: Graph Anomaly Detection via Neighborhood Reconstruction [34.82023223790515]
  グラフオートエンコーダ(GAE)はグラフデータをノード表現にエンコードし、これらの表現に基づいてグラフの再構成品質を評価することで異常を識別する。 グラフ異常検出のための近傍再構成を組み込んだ新しいGAEであるGAD-NRを提案する。 6つの実世界のデータセットで実施された大規模な実験は、GAD-NRの有効性を検証し、最先端の競合相手よりも顕著な改善(AUCでは最大30%)を示す。
  論文  参考訳（メタデータ） (2023-06-02T23:23:34Z)
• 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)
• ARISE: Graph Anomaly Detection on Attributed Networks via Substructure Awareness [70.60721571429784]
  サブ構造認識(ARISE)による属性付きネットワーク上の新しいグラフ異常検出フレームワークを提案する。 ARISEは、異常を識別するグラフのサブ構造に焦点を当てている。 実験により、ARISEは最先端の属性付きネットワーク異常検出(ANAD)アルゴリズムと比較して、検出性能が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2022-11-28T12:17:40Z)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)
• 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)
• Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification [59.06717774425588]
  本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。 出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。 本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2021-07-27T19:47:53Z)

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。