論文の概要: Learning Feature Encoder with Synthetic Anomalies for Weakly Supervised Graph Anomaly Detection

• arxiv url: http://arxiv.org/abs/2605.11749v1
• Date: Tue, 12 May 2026 08:27:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.70882
• Title: Learning Feature Encoder with Synthetic Anomalies for Weakly Supervised Graph Anomaly Detection
• Title（参考訳）: 弱教師付きグラフ異常検出のための合成異常を考慮した学習機能エンコーダ
• Authors: Yingjie Zhou, Yuqin Xie, Fanxing Liu, Dongjin Song, Ce Zhu, Lingqiao Liu,
• Abstract要約: 本稿では,グラフ異常に適した特徴学習戦略を活用する,弱い教師付きグラフ異常検出手法を提案する。 提案手法は,合成異常により頑健な特徴表現を抽出するマルチタスク学習方式に基づいている。 公開データセットに関する実験は、我々の手法が競合相手よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 66.0756595768692
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Weakly supervised graph anomaly detection aims to unveil unusual graph instances, e.g., nodes, whose behaviors significantly differ from normal ones, given only a limited number of annotated anomalies and abundant unlabeled samples. A major challenge is to learn a meaningful latent feature representation that reduces intra-class variance among normal data while remaining highly sensitive to anomalies. Although recent works have applied self-supervised feature learning for graph anomaly detection, their strategies are not specifically tailored to its unique requirements, motivating our exploration of a more domain-specific approach. In this paper, we introduce a weakly supervised graph anomaly detection method that leverages a feature learning strategy tailored for graph anomalies. Our approach is built upon a multi-task learning scheme that extracts robust feature representations through synthesized anomalies. We generate synthetic anomalies by perturbing the normal graph in various ways and assign a dedicated detection head to each anomaly type, ensuring that learned features are sensitive to potential deviations from normal patterns. Although synthetic anomalies may not perfectly replicate real-world patterns, they provide valuable auxiliary data for effective feature learnin, much like features learned from ImageNet classification transfer to downstream vision tasks. Additionally, we adopt a two-phase learning strategy: an initial warm-up phase using only synthetic samples, followed by a full-training phase integrating both tasks, to balance the influence of synthetic and real data. Extensive experiments on public datasets demonstrate the superior performance of our method over its competitors. Code is available at https://github.com/yj-zhou/SAWGAD.
• Abstract（参考訳）: 弱い教師付きグラフ異常検出は、異常なグラフインスタンス(例えばノード)を明らかにすることを目的としており、その振る舞いは通常のグラフインスタンスと大きく異なる。 大きな課題は、異常に敏感なまま、通常のデータ間のクラス内分散を低減する有意義な潜在的特徴表現を学習することである。 近年の研究では、グラフ異常検出に自己教師付き特徴学習を適用しているが、その戦略は独自の要求に特化せず、よりドメイン固有のアプローチを探求する動機となっている。 本稿では,グラフ異常に適した特徴学習戦略を活用する,弱い教師付きグラフ異常検出手法を提案する。 提案手法は,合成異常により頑健な特徴表現を抽出するマルチタスク学習方式に基づいている。 様々な方法で正規グラフを摂動させて合成異常を生成し、各異常タイプに専用検出ヘッドを割り当て、学習した特徴が通常のパターンからの潜在的な逸脱に敏感であることを保証する。 合成異常は現実世界のパターンを完璧に再現するわけではないが、ImageNet分類から下流の視覚タスクに学習した機能と同様に、効果的な特徴学習のための貴重な補助データを提供する。 さらに、合成サンプルのみを用いた初期ウォームアップフェーズと、両方のタスクを統合するフルトレーニングフェーズという2段階の学習戦略を採用し、合成データと実データの影響のバランスをとる。 公開データセットに関する大規模な実験は、我々の手法が競合相手よりも優れていることを示す。 コードはhttps://github.com/yj-zhou/SAWGAD.comで入手できる。

関連論文リスト

• Imbalanced Graph-Level Anomaly Detection via Counterfactual Augmentation and Feature Learning [1.3756846638796]
  本稿では,非バランスなGLAD手法を提案する。 我々は、このモデルを脳疾患データセットに適用し、我々の研究の能力を証明することができる。
  論文  参考訳（メタデータ） (2024-07-13T13:40:06Z)
• 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)
• SAD: Semi-Supervised Anomaly Detection on Dynamic Graphs [11.819993729810257]
  異常検出は、良性例の大多数と大きく異なる異常例を区別することを目的としている。 グラフニューラルネットワークは、異常検出問題に取り組むことで、ますます人気が高まっている。 動的グラフ上での異常検出のためのエンドツーエンドフレームワークである半教師付き異常検出(SAD)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T01:05:34Z)
• MetaGAD: Meta Representation Adaptation for Few-Shot Graph Anomaly Detection [31.218962952724624]
  少数ショットグラフ異常検出の重要な問題について検討する。 本稿では,自己指導学習から少数ショット指導学習へ知識を適応させるメタGADを提案する。 具体的には、二段階最適化として問題を定式化し、MetaGADの収束を保証し、検証損失を最小限に抑える。
  論文  参考訳（メタデータ） (2023-05-18T03:04:51Z)
• 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)
• 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)
• SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation [77.71161225100927]
  異常検出は、機械学習の基本的な問題であるが、難しい問題である。 本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
  論文  参考訳（メタデータ） (2021-11-25T03:53:43Z)
• Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
  本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。 提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。 我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2021-08-01T14:33:17Z)

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。