論文の概要: Neuromorphic Graph Anomaly Detection via Adaptive STDP and Spiking Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2605.13863v1
• Date: Wed, 29 Apr 2026 04:45:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 12:34:33.816645
• Title: Neuromorphic Graph Anomaly Detection via Adaptive STDP and Spiking Graph Neural Networks
• Title（参考訳）: 適応STDPとスパイキンググラフニューラルネットワークによるニューロモルフィックグラフ異常検出
• Authors: Abdul Joseph Fofanah, Lian Wen, David Chen, Tsungcheng Yao, Kwabena Sarpong,
• Abstract要約: 動的ネットワークにおける異常検出は、サイバーセキュリティから産業監視まで、アプリケーションにとって極めて重要である。 本稿では,グラフ異常検出のための新しい適応スパイキング時間動的塑性フレームワークASTDP-GADを紹介する。 我々のフレームワークは、次の重要なイノベーションを通じて、スパイキングニューラル、STDP学習、グラフベースの異常検出を統一する。
• 参考スコア（独自算出の注目度）: 5.389662562911571
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection in dynamic networks is critical for applications from cybersecurity to industrial monitoring, yet existing methods face challenges in energy efficiency, temporal precision, and adaptability. This paper introduces ASTDP-GAD, a novel Adaptive Spiking Temporal Dynamics Plasticity framework for Graph Anomaly Detection that integrates spiking graph neural networks with STDP learning for energy-efficient neuromorphic detection in dynamic networks. Our framework unifies spiking neural computation, STDP learning, and graph-based anomaly detection through the following key innovations: temporal spike graph encoding with adaptive Leaky Integrate-and-Fire (LIF) dynamics; LIF-based graph attention with lateral inhibition; event-driven hypergraph memory with STDP-inspired prototype updates; spike rate contrast pooling based on spiking irregularity; adaptive STDP layers capturing causal temporal relationships; and multi-scale temporal convolution with multi-factor anomaly fusion. Theoretical analysis provides rigorous guarantees: spike encoding preserves input information with resolution scaling linearly in simulation steps and hidden dimension; LIFGAT approximates any continuous attention function; hypergraph memory converges to optimal prototypes; contrast pooling achieves provable anomaly selection bounds; STDP learning converges stably; and multi-factor fusion produces calibrated scores with up to $5\times$ variance reduction. Extensive experiments on nine datasets on both dynamic and static graphs demonstrate superior anomaly detection accuracy while maintaining biological plausibility and energy efficiency for neuromorphic deployment.
• Abstract（参考訳）: 動的ネットワークにおける異常検出は、サイバーセキュリティから産業監視への応用において重要であるが、既存の手法ではエネルギー効率、時間的精度、適応性の課題に直面している。 本稿では,グラフ異常検出のための新しい適応スパイキング時間動的塑性解析フレームワークASTDP-GADを紹介し,このフレームワークは,スパイキンググラフニューラルネットワークとSTDP学習を統合し,動的ネットワークにおけるエネルギー効率の高いニューロモルフィック検出を行う。 我々のフレームワークは, スパイクニューラルネットワーク, STDP学習, グラフに基づく異常検出を, 適応Leakyを用いた時間スパイクグラフエンコーディング, 側方抑制によるLIFグラフアテンション, STDPによるプロトタイプ更新によるイベント駆動ハイパーグラフメモリ, スパイク不規則性に基づくスパイクレートコントラストプール, 因果時間関係をキャプチャする適応STDP層, 多要素異常融合によるマルチスケール時間コンボリューションなど, 重要なイノベーションを通じて統合している。 スパイクエンコーディングは、シミュレーションステップと隠れ次元で線形にスケールした入力情報を保存し、LIFGATは任意の連続的な注意関数を近似し、ハイパーグラフメモリは最適なプロトタイプに収束し、コントラストプーリングは証明可能な異常選択境界を達成し、STDP学習は安定して収束し、マルチファクタ融合は最大5\times$ variance reductionでキャリブレーションスコアを生成する。 動的グラフと静的グラフの両方の9つのデータセットに対する広範囲な実験は、生物の可視性とエネルギー効率を保ちながら、より優れた異常検出精度を示す。

関連論文リスト

• Diffuse to Detect: A Generalizable Framework for Anomaly Detection with Diffusion Models Applications to UAVs and Beyond [2.4449457537548036]
  UAVセンサーの読み取りなどの複雑な高次元データにおける異常検出は、運用上の安全性に不可欠である。 本稿では,拡散モデルを適用して異常検出を行うDiffuse to Detect(DTD)フレームワークを提案する。 DTDは1ステップの拡散プロセスを用いてノイズパターンを予測し、再構成エラーのない異常の迅速かつ正確な同定を可能にする。
  論文  参考訳（メタデータ） (2025-10-27T02:08:08Z)
• Fractional Spike Differential Equations Neural Network with Efficient Adjoint Parameters Training [63.3991315762955]
  スパイキングニューラルネットワーク(SNN)は、生物学的ニューロンからインスピレーションを得て、脳に似た計算の現実的なモデルを作成する。 既存のほとんどのSNNは、マルコフ特性を持つ一階常微分方程式(ODE)によってモデル化された、神経細胞膜電圧ダイナミクスの単一時間定数を仮定している。 本研究では, 膜電圧およびスパイク列車の長期依存性を分数次力学により捉えるフラクタルSPIKE微分方程式ニューラルネットワーク (fspikeDE) を提案する。
  論文  参考訳（メタデータ） (2025-07-22T18:20:56Z)
• Extreme Value Modelling of Feature Residuals for Anomaly Detection in Dynamic Graphs [14.8066991252587]
  グラフの時間的シーケンスにおける異常の検出は、トランスポートネットワークにおける事故の検出や、コンピュータネットワークにおけるサイバー攻撃といった分野に適用することができる。 既存の異常グラフ検出方法は、高い偽陽性率や可変サイズのグラフの扱いの難しさ、非自明な時間ダイナミクスなど、複数の制限に悩まされることがある。 そこで本稿では,時間的依存を時系列解析によって時間的依存を明示的にモデル化し,残差を用いて依存を除去する手法を提案する。
  論文  参考訳（メタデータ） (2024-10-08T05:00:53Z)
• REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
  本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。 グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。 本モデルは,発作検出と分類作業において高い精度を示す。
  論文  参考訳（メタデータ） (2024-06-03T16:30:19Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting [60.03169701753824]
  時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。 提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
  論文  参考訳（メタデータ） (2023-05-16T11:38:19Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)

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。