論文の概要: Adaptive graph-based algorithms for conditional anomaly detection and semi-supervised learning
- arxiv url: http://arxiv.org/abs/2605.03495v1
- Date: Tue, 05 May 2026 08:33:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-06 19:35:43.841639
- Title: Adaptive graph-based algorithms for conditional anomaly detection and semi-supervised learning
- Title（参考訳）: 条件付き異常検出と半教師付き学習のための適応グラフベースアルゴリズム
- Authors: Michal Valko,
- Abstract要約: 近似グラフ上の調和解を解く高速近似オンラインアルゴリズムを提案する。
また, 病院内における異常な臨床症状の同定に, グラフベースの条件異常検出法を応用した。
- 参考スコア（独自算出の注目度）: 19.66115828957497
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We develop graph-based methods for semi-supervised learning based on label propagation on a data similarity graph. When data is abundant or arrive in a stream, the problems of computation and data storage arise for any graph-based method. We propose a fast approximate online algorithm that solves for the harmonic solution on an approximate graph. We show, both empirically and theoretically, that good behavior can be achieved by collapsing nearby points into a set of local representative points that minimize distortion. Moreover, we regularize the harmonic solution to achieve better stability properties. We also present graph-based methods for detecting conditional anomalies and apply them to the identification of unusual clinical actions in hospitals. Our hypothesis is that patient-management actions that are unusual with respect to the past patients may be due to errors and that it is worthwhile to raise an alert if such a condition is encountered. Conditional anomaly detection extends standard unconditional anomaly framework but also faces new problems known as fringe and isolated points. We devise novel nonparametric graph-based methods to tackle these problems. Our methods rely on graph connectivity analysis and soft harmonic solution. Finally, we conduct an extensive human evaluation study of our conditional anomaly methods by 15 experts in critical care.
- Abstract（参考訳）: データ類似度グラフ上でラベルの伝搬に基づく半教師付き学習のためのグラフベースの手法を開発した。
データが豊富であるか、あるいはストリームに届くと、計算とデータストレージの問題はグラフベースの方法で発生する。
近似グラフ上の調和解を解く高速近似オンラインアルゴリズムを提案する。
実験的にも理論的にも、近くの点をゆがみを最小限に抑えるような局所的な代表点の集合に分解することで良い振舞いが達成できることが示される。
さらに,高調波解を規則化し,より優れた安定性を実現する。
また, 病院内における異常な臨床症状の同定に, グラフベースの条件異常検出法を応用した。
我々の仮説は、過去の患者に対して異常な患者管理行動は、エラーによるものかもしれないし、そのような状況に遭遇した場合、警告を提起する価値がある、というものである。
条件付き異常検出は、標準の無条件異常検出フレームワークを延長するが、外接点や孤立点と呼ばれる新しい問題にも直面する。
これらの問題に対処するための新しい非パラメトリックグラフベースの手法を考案する。
提案手法は, グラフ接続解析とソフト・ハーモニック・ソリューションに依存している。
最後に,15名の専門医による条件付異常検査について,広範囲にわたる人的評価を行った。
関連論文リスト
- Adaptive Online Experimental Design for Causal Discovery [9.447864414136905]
因果発見は因果グラフに符号化された因果関係を明らかにすることを目的としている。
オンライン学習の観点から,データの介入効率に着目し,因果発見を形式化する。
グラフ分離システムから介入を適応的に選択するトラック・アンド・ストップ因果探索アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-05-19T13:26:33Z) - 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) - GRAM: An Interpretable Approach for Graph Anomaly Detection using Gradient Attention Maps [26.011499804523808]
本稿では,性能向上のための解釈可能性の力を活用したグラフ異常検出手法を提案する。
本手法は, グラフニューラルネットワークの勾配から抽出したアテンションマップを抽出し, 異常評価の基礎となる。
実世界のグラフ分類と無線ネットワークデータセットにおける最先端グラフ異常検出技術に対する我々のアプローチを広く評価する。
論文 参考訳（メタデータ） (2023-11-10T16:14:21Z) - Towards Self-Interpretable Graph-Level Anomaly Detection [73.1152604947837]
グラフレベルの異常検出(GLAD)は、コレクションの大多数と比べて顕著な相違を示すグラフを識別することを目的としている。
本稿では,異常なグラフを検出し,同時に情報的説明を生成する自己解釈グラフaNomaly dETectionモデル(SIGNET)を提案する。
論文 参考訳（メタデータ） (2023-10-25T10:10:07Z) - 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) - Near-optimal inference in adaptive linear regression [60.08422051718195]
最小二乗法のような単純な方法でさえ、データが適応的に収集されるときの非正規な振る舞いを示すことができる。
我々は,これらの分布異常を少なくとも2乗推定で補正するオンラインデバイアス推定器のファミリーを提案する。
我々は,マルチアームバンディット,自己回帰時系列推定,探索による能動的学習などの応用を通して,我々の理論の有用性を実証する。
論文 参考訳（メタデータ） (2021-07-05T21:05:11Z) - Multilayer Clustered Graph Learning [66.94201299553336]
我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。
実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。
クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
論文 参考訳（メタデータ） (2020-10-29T09:58:02Z)
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。