論文の概要: Generalist Graph Anomaly Detection via Prototype-Based Distillation

• arxiv url: http://arxiv.org/abs/2605.26857v1
• Date: Tue, 26 May 2026 11:16:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:41.965218
• Title: Generalist Graph Anomaly Detection via Prototype-Based Distillation
• Title（参考訳）: 原型蒸留による一般グラフ異常検出
• Authors: Yiming Xu, Zihan Chen, Zhen Peng, Song Wang, Bin Shi, Bo Dong, Chao Shen,
• Abstract要約: 本稿では,初の教師なし汎用GADフレームワークであるProMoSを紹介する。 ラベルなしデータの豊富な正規性をモデル化して異常を検出する。 ProMoSは、凍結した自己教師型グラフニューラルネットワーク(GNN)の教師から学生の混合モデルまで、正規性を蒸留する知識蒸留パラダイムを採用している。
• 参考スコア（独自算出の注目度）: 35.05528401287102
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Driven by the pressing demand for graph anomaly detection (GAD) in high-stakes domains, the generalist GAD paradigm, which trains a single detector transferable across new graphs, has recently gained growing attention. However, existing methods often rely on scarce and costly annotations for training and sometimes even require few-shot support at inference, which limits their robustness to diverse and unseen anomaly patterns. To address this limitation, we introduce ProMoS, the first unsupervised generalist GAD framework, which detects anomalies by modeling the abundant normality in unlabeled data. ProMoS adopts a knowledge-distillation paradigm to distill normality priors from a frozen self-supervised graph neural network (GNN) teacher to a mixture-of-students model with shared global and lightweight personalized branches, enabling efficient and expressive normality modeling without learning from scratch. We further propose prototype-guided soft-label distillation to align teacher and student in a shared prototype space, enhancing cross-graph generalizability. During inference, ProMoS performs zero-shot anomaly detection on unseen graphs via distillation bias and prototype geometric deviation. Extensive experiments show the effectiveness and efficiency of ProMoS, charting a practical path toward label-free, zero-shot generalist GAD.
• Abstract（参考訳）: 高吸収領域におけるグラフ異常検出(GAD)の急激な需要により、新しいグラフをまたぐ単一の検出器を訓練するジェネラリストGADパラダイムが近年注目を集めている。 しかし、既存のメソッドはトレーニングに希少でコストのかかるアノテーションを頼りにし、時には推論時に数発のサポートを必要とすることもあるため、その堅牢性は多様で目に見えない異常パターンに制限される。 この制限に対処するために,ラベルなしデータの豊富な正規性をモデル化して異常を検出する,最初の教師なし汎用GADフレームワークであるProMoSを紹介する。 ProMoSは知識蒸留パラダイムを採用し、凍結した自己教師型グラフニューラルネットワーク(GNN)の教師から、グローバルで軽量なパーソナライズされたブランチを共有した学生の混在モデルまで、正規性事前を蒸留し、スクラッチから学習することなく効率的で表現力のある正規性モデリングを可能にする。 さらに,教師と生徒を共有プロトタイプ空間に配置し,クロスグラフの一般化性を高めるために,プロトタイプ誘導型軟質ラベル蒸留法を提案する。 推論中、ProMoSは蒸留バイアスとプロトタイプの幾何偏差により、目に見えないグラフ上でゼロショット異常検出を行う。 ProMoSの有効性と効率性を示し、ラベルのないゼロショットジェネラリストGADへの実践的な道をグラフ化している。

関連論文リスト

• Learning Feature Encoder with Synthetic Anomalies for Weakly Supervised Graph Anomaly Detection [66.0756595768692]
  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。
  論文  参考訳（メタデータ） (2026-05-12T08:27:06Z)
• Correcting False Alarms from Unseen: Adapting Graph Anomaly Detectors at Test Time [60.341117019125214]
  グラフ異常検出(GAD)における未確認正規pattErnsの修正のための,軽量かつプラグアンドプレイなテスト時間適応フレームワークを提案する。 意味的混乱に対処するために、シフトしたデータと元のデータとをグラフ属性レベルで整合させるグラフ整合器を用いる。 10個の実世界のデータセットに対する大規模な実験により、TUNEは事前学習されたGADモデルの合成パターンと実際の見えない正常パターンの両方への一般化性を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-11-10T12:10:05Z)
• Normalized Attention Guidance: Universal Negative Guidance for Diffusion Models [57.20761595019967]
  注意空間にL1をベースとした正規化・精細化を施した,効率的かつトレーニング不要な機構である正規化注意誘導(NAG)を提案する。 NAGは、CFGが忠実性を維持しながら崩壊する効果的な負のガイダンスを復元する。 NAGはアーキテクチャ(UNet、DiT)、サンプリングレシスタンス(複数ステップ、複数ステップ)、モダリティ(イメージ、ビデオ)をまたいで一般化する
  論文  参考訳（メタデータ） (2025-05-27T13:30:46Z)
• Semi-supervised Anomaly Detection with Extremely Limited Labels in Dynamic Graphs [5.415950005432774]
  ラベルが極端に制限された動的グラフにおける異常検出問題に対処する新しいGADフレームワーク(EL$2-DGAD)を提案する。 具体的には、変圧器をベースとしたグラフエンコーダモデルにより、局所的な近傍を超えて進化するグラフ構造をより効果的に保存するように設計されている。
  論文  参考訳（メタデータ） (2025-01-25T02:35:48Z)
• 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)
• Normality Learning-based Graph Anomaly Detection via Multi-Scale Contrastive Learning [61.57383634677747]
  グラフ異常検出(GAD)は、機械学習やデータマイニングにおいて注目を集めている。 本稿では,マルチスケールコントラスト学習ネットワーク(NLGAD,略語)による正規性学習に基づくGADフレームワークを提案する。 特に,提案アルゴリズムは,最先端手法と比較して検出性能(最大5.89%のAUCゲイン)を向上させる。
  論文  参考訳（メタデータ） (2023-09-12T08:06:04Z)
• Improving Generalizability of Graph Anomaly Detection Models via Data Augmentation [30.81263206800531]
  グラフ異常検出(GAD)は、少数の異常でさえ、良心的ユーザに対して大きな脅威をもたらす可能性があるため、重要なタスクである。 従来の知識として利用可能なラベルを効果的に活用できる最近の半教師付きGAD法は、教師なし手法よりも優れた性能を実現している。 トレーニングデータを充実させ,GADモデルの一般化性を高めるために,textitAugAN というデータ拡張手法を提案する。
  論文  参考訳（メタデータ） (2023-06-18T11:54:18Z)
• Improving Generalizability of Graph Anomaly Detection Models via Data Augmentation [32.532227090731354]
  グラフ異常検出(GAD)は、少数の異常でさえ、良心的ユーザに対して大きな脅威をもたらす可能性があるため、重要なタスクである。 従来の知識として利用可能なラベルを効果的に活用できる最近の半教師付きGAD法は、教師なし手法よりも優れた性能を実現している。 トレーニングデータを充実させ,GADモデルの一般化性を高めるために,textitAugAN というデータ拡張手法を提案する。
  論文  参考訳（メタデータ） (2022-09-21T07:57:27Z)
• 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。