論文の概要: NeighborDiv: Training-free Zero-shot Generalist Graph Anomaly Detection via Neighbor Diversity

• arxiv url: http://arxiv.org/abs/2605.20879v1
• Date: Wed, 20 May 2026 08:16:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.568474
• Title: NeighborDiv: Training-free Zero-shot Generalist Graph Anomaly Detection via Neighbor Diversity
• Title（参考訳）: NeighborDiv: 近隣ダイバーシティによる訓練不要ゼロショットジェネリストグラフ異常検出
• Authors: Kaifeng Wei, Teng Liu, Liang Dong, Xiubo Liang, Yuke Li,
• Abstract要約: NeighborDivは、近隣の多様性に基づいたトレーニング不要な一般グラフ異常検出フレームワークである。 隣り合う特徴の類似性の分散を通じて、隣り合う多様性を定量化する。 我々は、NeighborDivが最先端のパフォーマンスを達成し、AUCの平均は10.25%、AP平均は17.78%であることを示した。
• 参考スコア（独自算出の注目度）: 13.8662280003344
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Anomaly Detection (GAD) is increasingly shifting to Generalist GAD (GGAD) for cross-domain "one-for-all" detection, but existing GGAD methods predominantly rely on the neighbor consistency principle, falling into the \textbf{Node-to-Neighbor Consistency Paradigm} for anomaly quantification. These methods suffer from complex training pipelines, heavy training data dependency, high computational costs, and unstable cross-domain generalization. To address these limitations, we propose NeighborDiv, a training-free generalist graph anomaly detection framework based on neighbor diversity. Departing from the dominant Node-to-Neighbor Consistency Paradigm, we shift the focus to the \textbf{Neighbor-to-Neighbor Diversity Paradigm}, and uncover that the internal structural dispersion of a node's neighbor set is a powerful, independently discriminative anomaly signal. We quantify neighbor diversity via the variance of inter-neighbor feature similarities, which captures how a node organizes its local graph environment, and operates independently of conventional node-to-neighbor consistency frameworks. Extensive experiments under two standard GGAD evaluation paradigms show NeighborDiv achieves state-of-the-art performance, with relative gains of 10.25% in average AUC and 17.78% in average AP over the second-best baseline under Single-Domain Independent Training (SDIT), and 6.89%/9.58% in AUC/AP under Unified Multi-Domain Training (UMDT), respectively. Notably, NeighborDiv yields zero performance volatility across all datasets, eliminating training-set dependency and establishing a lightweight and highly practical GGAD framework.
• Abstract（参考訳）: グラフ異常検出(GAD)は、クロスドメイン(one-for-all)検出のためにジェネリストGAD(GGAD)にシフトする傾向にあるが、既存のGADメソッドは主に隣接する一貫性原理に依存しており、異常量子化のためにtextbf{Node-to-Neighbor Consistency Paradigm} に該当する。 これらの方法は、複雑なトレーニングパイプライン、重いトレーニングデータ依存、高い計算コスト、不安定なクロスドメインの一般化に悩まされている。 これらの制約に対処するため、近隣の多様性に基づいたトレーニング不要な一般グラフ異常検出フレームワークNeighborDivを提案する。 支配的なノード-隣の一貫性パラダイムとは別に、焦点を \textbf{Neighbor-to-Neighbor Diversity Paradigm} にシフトし、ノードの隣の集合の内部構造的分散が強力で独立に識別可能な異常信号であることを明らかにする。 ノードが局所的なグラフ環境をどう構成するかをキャプチャし、従来のノード間一貫性フレームワークとは独立して運用する。 2つの標準GGAD評価パラダイムによる大規模な実験により、NeighborDivは、平均AUCが10.25%、平均APが17.78%、単ドメイン独立トレーニング(SDIT)が6.89%/9.58%、統一多ドメイントレーニング(UMDT)が6.89%/9.58%、最先端のパフォーマンスを達成した。 特に、NeighborDivはすべてのデータセットでパフォーマンスのボラティリティをゼロにし、トレーニングセットの依存関係を排除し、軽量で実用的なGGADフレームワークを確立します。

関連論文リスト

• Breaking the Grid: Distance-Guided Reinforcement Learning in Large Discrete and Hybrid Action Spaces [4.395837214164745]
  距離誘導型強化学習(DGRL)を提案し,最大10$text20$アクションを持つ空間における効率的なRLを実現する。 定常および不規則に構造化された環境における最先端ベンチマークに対して,最大66%の性能向上を示す。
  論文  参考訳（メタデータ） (2026-02-09T13:05:07Z)
• FGC-Comp: Adaptive Neighbor-Grouped Attribute Completion for Graph-based Anomaly Detection [0.0]
  FGC-Compは軽量で分類器に依存しない、デプロイに優しい属性補完モジュールである。 各ノードの隣接ノードを3つのラベルベースグループに分割し、ラベル付きグループにグループ固有の変換を適用し、バイナリ分類目的でエンドツーエンドを訓練する。 2つの実世界の不正データセットの実験は、無視可能な計算オーバーヘッドによるアプローチの有効性を検証する。
  論文  参考訳（メタデータ） (2025-12-02T12:34:21Z)
• Unsupervised Multi-Source Federated Domain Adaptation under Domain Diversity through Group-Wise Discrepancy Minimization [2.522791298432536]
  Unsupervised Multi-source Domain adapt (UMDA) は、複数の多様なソースドメインからのラベル付きデータを活用することにより、ラベルなしのターゲットドメインに一般化するモデルを学習することを目的としている。 GALAはスケーラブルで堅牢なUMDAフレームワークで、2つの重要なコンポーネントを導入しています。 GALAは、標準ベンチマークの競合や最先端の結果を一貫して達成し、様々なマルチソース設定で先行メソッドよりも大幅に優れています。
  論文  参考訳（メタデータ） (2025-10-09T12:34:37Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• Relation Matters: Foreground-aware Graph-based Relational Reasoning for Domain Adaptive Object Detection [81.07378219410182]
  我々は、FGRR(Fearground-aware Graph-based Reasoning)というドメインDのための新しい汎用フレームワークを提案する。 FGRRはグラフ構造を検出パイプラインに組み込んで、ドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化する。 実験の結果、提案したFGRRは4つのDomainDベンチマークの最先端よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-06-06T05:12:48Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Cross-Domain Facial Expression Recognition: A Unified Evaluation Benchmark and Adversarial Graph Learning [85.6386289476598]
  我々は,クロスドメイン全体的特徴共適応のための新しい逆グラフ表現適応(AGRA)フレームワークを開発した。 我々は,いくつかの一般的なベンチマークで広範囲かつ公平な評価を行い,提案したAGRAフレームワークが従来の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-03T15:00:31Z)
• Neighborhood Matching Network for Entity Alignment [71.24217694278616]
  Neighborhood Matching Network (NMN)は、新しいエンティティアライメントフレームワークである。 NMNは、トポロジカル構造と近傍差の両方を捉えるために、エンティティ間の類似性を推定する。 まず、新しいグラフサンプリング法を用いて、各エンティティの識別的近傍を蒸留する。 その後、クロスグラフの近傍マッチングモジュールを採用し、与えられたエンティティペアの近傍差を共同で符号化する。
  論文  参考訳（メタデータ） (2020-05-12T08:26:15Z)
• Contradictory Structure Learning for Semi-supervised Domain Adaptation [67.89665267469053]
  現在の逆順応法は、クロスドメインの特徴を整列させようとする。 1)条件分布ミスマッチ、2)決定境界のソース領域へのバイアス。 本稿では,対向構造の学習を統一することで,半教師付きドメイン適応のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-06T22:58:20Z)

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。