論文の概要: GAD in the Wild: Benchmarking Graph Anomaly Detection under Realistic Deployment Challenges

• arxiv url: http://arxiv.org/abs/2605.07133v1
• Date: Fri, 08 May 2026 02:10:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.739337
• Title: GAD in the Wild: Benchmarking Graph Anomaly Detection under Realistic Deployment Challenges
• Title（参考訳）: GAD in the Wild: 現実的なデプロイ課題下でのグラフ異常検出のベンチマーク
• Authors: Jingjing Zhou, Shiyu Huang, Qing Qing, Zuquan Yuan, Huafei Huang, Ziqi Xu, Mingliang Hou, Xikun Zhang, Renqiang Luo, Ivan Lee,
• Abstract要約: グラフ異常検出(英: Graph Anomaly Detection、GAD)は、金融詐欺検出やソーシャルプラットフォームガバナンスにおいて重要な応用を持つグラフ機械学習において重要なタスクである。 既存のGADベンチマークは、比較的バランスの取れた異常比を持つ小規模でキュレートされたグラフに制限されることが多い。 本稿では,GADモデルを3つのデプロイ関連課題下で体系的に評価する多次元ベンチマークを提案する。
• 参考スコア（独自算出の注目度）: 11.52245154027117
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Anomaly Detection (GAD) is a critical task in graph machine learning with vital applications in financial fraud detection and social platform governance. However, existing GAD benchmarks are often restricted to small-scale, curated graphs with relatively balanced anomaly ratios, leaving a substantial gap between academic evaluation and real-world deployment. To bridge this gap, we present a multi-dimensional benchmark that systematically evaluates GAD models under three deployment-relevant challenges: million-scale graphs, extreme anomaly scarcity, and missing node attributes. We derive a family of controlled benchmark variants from five diverse graphs, including two native industrial-scale datasets with over 3.7 million nodes. Our extensive evaluation of nine representative GAD models reveals three major limitations: (1) most GNN-based methods fail to scale to million-node graphs due to prohibitive memory requirements; (2) detection performance drops sharply under realistic anomaly ratios (e.g., 0.1\%), often resulting in zero recall; and (3) reconstruction-based models are highly sensitive to attribute imputation strategies. Our findings suggest that strong performance in laboratory settings does not guarantee robustness in production environments. We release this benchmark and empirical evaluation as a diagnostic testbed to promote the development of robust and scalable GAD systems for large-scale, imperfect graphs encountered in practice. Code is available at https://anonymous.4open.science/r/Benchmark_GAD-E7A3.
• Abstract（参考訳）: グラフ異常検出(英: Graph Anomaly Detection、GAD)は、金融詐欺検出やソーシャルプラットフォームガバナンスにおいて重要な応用を持つグラフ機械学習において重要なタスクである。 しかしながら、既存のGADベンチマークは、比較的バランスの取れた異常比の小さい、キュレートされたグラフに制限されることが多く、学術的な評価と実世界の展開の間には大きなギャップが残っている。 このギャップを埋めるために、100万のグラフ、極端な異常不足、ノード属性の欠如という3つのデプロイメント関連課題の下で、GADモデルを体系的に評価する多次元ベンチマークを提案する。 370万のノードを持つ2つのネイティブな産業規模のデータセットを含む、5つの多様なグラフから、制御されたベンチマークの亜種を導出します。 GNNをベースとしたほとんどの手法は、禁止メモリ要求による100万ノードグラフへのスケールアップに失敗し、(2)現実的な異常比(例えば0.1\%)で検出性能が急激に低下し、しばしばリコールがゼロとなり、(3)再構成ベースモデルは属性計算戦略に非常に敏感である。 実験室環境における強い性能は, 生産環境における堅牢性を保証するものではないことが示唆された。 本稿では,大規模かつ不完全なグラフに対して,堅牢でスケーラブルなGADシステムの開発を促進するための診断テストベッドとして,このベンチマークと実証評価を行った。 コードはhttps://anonymous.4open.science/r/Benchmark_GAD-E7A3で公開されている。

関連論文リスト

• Enhancing Fairness in Autoencoders for Node-Level Graph Anomaly Detection [3.487370856323828]
  グラフ異常検出(GAD)は、様々な領域でますます重要になっている。 しかし、GADの公平性に関する考察はいまだに過小評価されている。 我々は,GAD性能を維持しながらバイアスを軽減するフレームワークであるtextbfDistextbfEntangled textbfCounterfactual textbfAdversarial textbfFair (DECAF)-GADを提案する。
  論文  参考訳（メタデータ） (2025-08-14T16:12:15Z)
• FreeGAD: A Training-Free yet Effective Approach for Graph Anomaly Detection [54.576802512108685]
  Graph Anomaly Detection (GAD)は、グラフ内の多数から逸脱するノードを特定することを目的としている。 既存のアプローチは、複雑でリソース集約的なトレーニングプロセスのために、高デプロイメントコストとスケーラビリティの不足に悩まされることが多い。 新たなGAD法であるFreeGADを提案する。
  論文  参考訳（メタデータ） (2025-08-14T12:37:20Z)
• 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)
• Keep It Simple: Towards Accurate Vulnerability Detection for Large Code Graphs [6.236203127696138]
  本稿では,階層グラフの洗練と文脈対応グラフ表現学習を具現化した新たな脆弱性検出手法であるANGLEを提案する。 本手法は, 精度とF1スコアの点で, 他のいくつかのベースラインを著しく上回っている。 大きなコードグラフでは、ANGLEは最先端のAMPLEに比べて34.27%-161.93%の精度向上を実現している。
  論文  参考訳（メタデータ） (2024-12-13T14:27:51Z)
• UMGAD: Unsupervised Multiplex Graph Anomaly Detection [40.17829938834783]
  UMGADと呼ばれる新しい教師なし多重グラフ異常検出法を提案する。 我々はまず、多重異種グラフにおけるノード間の多重相関関係を学習する。 そして、さらに異常情報を抽出するために、属性レベルおよびサブグラフレベルの拡張ビューグラフを生成する。
  論文  参考訳（メタデータ） (2024-11-19T15:15:45Z)
• 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)
• DAGAD: Data Augmentation for Graph Anomaly Detection [57.92471847260541]
  本稿では、属性グラフのための新しいデータ拡張ベースのグラフ異常検出(DAGAD)フレームワークを考案する。 3つのデータセットに関する一連の実験は、DAGADが様々な主に使用されるメトリクスに関して、10の最先端のベースライン検出器より優れていることを証明している。
  論文  参考訳（メタデータ） (2022-10-18T11:28:21Z)
• Benchmarking Node Outlier Detection on Graphs [90.29966986023403]
  グラフの外れ値検出は、多くのアプリケーションにおいて、新しいが重要な機械学習タスクである。 UNODと呼ばれるグラフに対して、最初の包括的教師なしノード外乱検出ベンチマークを示す。
  論文  参考訳（メタデータ） (2022-06-21T01:46:38Z)
• 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)

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。