論文の概要: DDGAD: Trajectory Dynamics for Diffusion-Based Graph Anomaly Detection

• arxiv url: http://arxiv.org/abs/2605.26446v1
• Date: Tue, 26 May 2026 02:00:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:41.568119
• Title: DDGAD: Trajectory Dynamics for Diffusion-Based Graph Anomaly Detection
• Title（参考訳）: DDGAD:拡散グラフ異常検出のための軌道ダイナミクス
• Authors: Yuxin Yang, Limei Hu, Feng Chen,
• Abstract要約: グラフ異常検出(GAD)は、グラフ構造化データの全体的なパターンから、振る舞いや属性が著しく逸脱したノードを特定することを目的としている。 既存のGCNベースの手法は、異常ノードがメッセージパッシングを通じて隣人の表現を汚染する、汚染伝播の根本的な問題に悩まされている。 本稿では,拡散型グラフ異常検出フレームワークDDGADを提案する。
• 参考スコア（独自算出の注目度）: 6.763636926274266
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph anomaly detection (GAD) aims to identify nodes or substructures whose behavior or attributes deviate significantly from the overall pattern in graph-structured data, with critical applications in financial risk control, social network analysis, and cybersecurity. However, existing GCN-based methods suffer from the fundamental problem of contamination propagation, where anomalous nodes pollute the representations of their neighbors through message passing, leading to degraded detection performance. In this paper, we propose DDGAD, a novel diffusion-based graph anomaly detection framework that leverages trajectory dynamics to distinguish normal and anomalous nodes. Our key insight is that normal nodes exhibit consistent and stable representation trajectories under the coupled effects of diffusion regularization and reliability-aware neighborhood consensus, while anomalous nodes exhibit unstable and conflicting dynamics due to the directional disagreement between the global manifold prior and locally contaminated message passing. To mitigate contamination propagation, we introduce a distributed reliability-aware consensus refinement mechanism and define three complementary anomaly signals: neighbor inconsistency, reliability weight, and dynamical conflict energy. We further provide a preliminary theoretical analysis on normal node stability under the coupled dynamics. These signals collectively characterize anomalous behaviors from the perspectives of local inconsistency, consensus reliability, and dynamical instability. Extensive experiments on five real-world datasets demonstrate the effectiveness of the proposed framework.
• Abstract（参考訳）: グラフ異常検出(GAD)は、グラフ構造化データの全体的なパターンから行動や属性が著しく逸脱するノードやサブ構造を識別することを目的としており、金融リスク管理、ソーシャルネットワーク分析、サイバーセキュリティに重要な応用がある。 しかし、既存のGCNベースの手法は、異常ノードがメッセージパッシングによって隣人の表現を汚染し、劣化検出性能が低下する、汚染伝播の根本的な問題に悩まされている。 本稿では,拡散型グラフ異常検出フレームワークDDGADを提案する。 我々の重要な洞察は、正規ノードは拡散正則化と信頼性に配慮した近傍のコンセンサスの組み合わせによる一貫した安定な表現軌道を示し、一方異常ノードは、グローバル多様体と局所的に汚染されたメッセージパッシングとの方向性の相違により不安定で矛盾するダイナミクスを示すことである。 汚染伝播を軽減するため, 分散信頼性を考慮したコンセンサス改善機構を導入し, 隣り合う不整合, 信頼性重み, 動的衝突エネルギーの3つの相補的異常信号を定義する。 さらに、結合力学の下での正規ノードの安定性に関する予備的理論的解析を行う。 これらの信号は、局所的不整合、コンセンサス信頼性、動的不安定性の観点から、異常な振る舞いをまとめて特徴づける。 5つの実世界のデータセットに対する大規模な実験は、提案フレームワークの有効性を実証している。

関連論文リスト

• Beyond Nodes vs. Edges: A Multi-View Fusion Framework for Provenance-Based Intrusion Detection [6.343815622517112]
  PROVfusionは、証明に基づく侵入検知のための多視点異常融合フレームワークである。 軽量な融合スキームを通じて異種異常信号を融合し、投票ベースの統合プロセスを通じて最終的な異常決定を決定する。 広く使用されている9つのベンチマークエンティティデータセットの実験では、PROVfusionは単一ノードとエッジ中心のベースラインよりも高い検出精度と偽陽性率を実現する。
  論文  参考訳（メタデータ） (2026-04-16T06:40:50Z)
• DOC-GS: Dual-Domain Observation and Calibration for Reliable Sparse-View Gaussian Splatting [80.43237927269575]
  本稿では,新しい視点からスパースビュー3DGSの再構築について再考する。 我々は、ガウスの原始的信頼性の観測不能性として、コアチャレンジを識別する。 この観測を動機として、レンダリング画像フレームワークにおける統合されたデュアルドメイン観測と幾何学的手法を提案する。
  論文  参考訳（メタデータ） (2026-04-08T07:01:24Z)
• Fair Deepfake Detectors Can Generalize [51.21167546843708]
  共同設立者(データ分散とモデルキャパシティ)の制御により,公正な介入による一般化が向上することを示す。 この知見を応用して, 逆正当性重み付けとサブグループワイド特徴正規化を併用し, 新たなアライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・インセンティブ・インターベンション・インベンション・インテクション(DAID)を提案する。 DAIDは、いくつかの最先端技術と比較して、公平性と一般化の両方において一貫して優れた性能を達成する
  論文  参考訳（メタデータ） (2025-07-03T14:10:02Z)
• Graph Out-of-Distribution Generalization via Causal Intervention [69.70137479660113]
  本稿では,ノードレベルの分散シフトの下で頑健なグラフニューラルネットワーク(GNN)をトレーニングするための,概念的に単純だが原則化されたアプローチを提案する。 本手法は,環境推定器と熟練GNN予測器を協調する因果推論に基づく新たな学習目標を提案する。 本モデルでは,様々な分散シフトによる一般化を効果的に向上し,グラフOOD一般化ベンチマーク上での最先端の精度を最大27.4%向上させることができる。
  論文  参考訳（メタデータ） (2024-02-18T07:49:22Z)
• PhoGAD: Graph-based Anomaly Behavior Detection with Persistent Homology Optimization [24.915797951829443]
  PhoGADはグラフベースの異常検出フレームワークである。 永続的ホモロジー最適化を利用して行動境界を明らかにする。 侵入、トラフィック、スパムデータセットの実験により、PhoGADが検出有効性において最先端(SOTA)フレームワークのパフォーマンスを上回ったことが確認された。
  論文  参考訳（メタデータ） (2024-01-19T08:13:10Z)
• SCALA: Sparsification-based Contrastive Learning for Anomaly Detection on Attributed Networks [19.09775548036214]
  属性付きネットワーク上の異常検出は、他の多数ノードと大きく異なる振る舞いを持つノードを見つけることを目的としている。 本稿では,ネットワークの埋め込み品質向上を目的とした,属性付きネットワーク上での異常検出のための新しいコントラスト学習フレームワークである textbfSCALA を提案する。 5つのベンチマーク実世界のデータセットで大規模な実験が行われ、結果はSCALAがすべてのベースライン手法を大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2024-01-03T08:51:18Z)
• Reinforcement Neighborhood Selection for Unsupervised Graph Anomaly Detection [22.322241872706314]
  教師なしグラフ異常検出は様々な応用に不可欠である。 近年、グラフニューラルネットワーク(GNN)を用いて、異常検出のための高品質なノード表現を学習している。 教師なしグラフアノマリー検出(RAND)のための強化近傍選択を取り入れた新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-12-09T10:39:45Z)
• Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
  我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。 理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-05T02:31:01Z)

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。