論文の概要: Detect by Yourself: Self-Designing Agentic Workflows for Few-Shot Graph Anomaly Detection
- arxiv url: http://arxiv.org/abs/2605.27470v1
- Date: Tue, 26 May 2026 09:16:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-28 17:38:55.302397
- Title: Detect by Yourself: Self-Designing Agentic Workflows for Few-Shot Graph Anomaly Detection
- Title（参考訳）: 自己決定型エージェントワークフローによるFew-Shotグラフ異常検出
- Authors: Tairan Huang, Qiang Chen, Yili Wang, Yueyue Ma, Changlong He, Xiu Su, Yi Chen,
- Abstract要約: 我々は,自己設計グラフ異常検出(SignGAD)という新しいフレームワークを提案する。
SignGADは、検出を構築することにより、タスク固有の異常証拠を利用するために、適切なグラフエンコーディングと検出器設計を選択する。
いくつかの実世界のデータセットで実施された実験は、SignGADが最先端の手法に対して強い性能を発揮することを示した。
- 参考スコア（独自算出の注目度）: 16.488401456123906
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Graph anomaly detection aims to identify anomaly nodes in attributed graphs and plays an important role in real-world applications. However, existing graph anomaly detection methods still face two key challenges: 1) fixed pipelines, which restrict their adaptability across different graph tasks under limited supervision; 2) weak evidence, which prevents them from explicitly incorporating contextual and structural anomaly signals into the detection process. In this paper, we propose a novel framework, self-designing agentic workflows for few-shot graph anomaly detection (SignGAD). Specifically, we propose a novel paradigm that reformulates graph anomaly detection task from training a fixed anomaly detector to designing task-conditioned detection workflows. By constructing detection workflows, SignGAD selects suitable graph encodings and detector designs to exploit task-specific anomaly evidence. Meanwhile, we introduce a guarded final refit strategy to refine the selected workflow by calibrating refit acceptance, enhancing reliability under limited supervision. Extensive experiments conducted on several real-world datasets demonstrate that SignGAD achieves strong performance against state-of-the-art methods, highlighting its effectiveness on graph anomaly detection tasks.
- Abstract（参考訳）: グラフ異常検出は属性付きグラフ内の異常ノードを識別することを目的としており、現実世界のアプリケーションにおいて重要な役割を果たす。
しかし、既存のグラフ異常検出法は以下の2つの大きな課題に直面している。
1) 限定的な監督の下で異なるグラフタスク間の適合性を制限した固定パイプライン。
2) 弱い証拠は, 検出プロセスに文脈的, 構造的異常信号が明示的に組み込まれないようにする。
本稿では,数ショットグラフ異常検出(SignGAD)のための新たなフレームワーク,自己設計エージェントワークフローを提案する。
具体的には、固定された異常検知器のトレーニングからタスク条件付き検出ワークフローの設計まで、グラフ異常検出タスクを再構成する新しいパラダイムを提案する。
SignGADは、検出ワークフローを構築することにより、タスク固有の異常証拠を利用するために、適切なグラフエンコーディングと検出器設計を選択する。
一方,リフィットの受け入れを校正し,限られた監督下で信頼性を高めることにより,選択したワークフローを洗練するための保護された最終調整戦略を導入する。
いくつかの実世界のデータセットで実施された大規模な実験により、SignGADは最先端の手法に対して強力な性能を発揮し、グラフ異常検出タスクにおけるその有効性を強調している。
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) - Meta-Learning Based Few-Shot Graph-Level Anomaly Detection [6.216246253868536]
グラフレベルの異常検出は、不正検出、レビュー分類、生化学など様々な分野で重要な役割を果たしている。
既存の手法は大量のラベル付きデータに大きく依存しており、現実のシナリオでは利用できないことが多い。
メタラーニングに基づくグラフレベルの異常検出フレームワーク(MA-GAD)を提案する。
MA-GADにはグラフ圧縮モジュールが組み込まれており、グラフのサイズを小さくし、ノイズ干渉を緩和し、必須ノード情報を保持できる。
論文 参考訳（メタデータ） (2025-10-09T06:45:07Z) - Text-Attributed Graph Anomaly Detection via Multi-Scale Cross- and Uni-Modal Contrastive Learning [19.634966556695897]
本稿では,テキスト分散グラフ異常検出のための新しいエンドツーエンドパラダイムCMUCLを提案する。
テキストとグラフ構造の両方からのデータを同時にモデル化し、クロスモーダルおよびユニモーダル推定器を用いてテキストとグラフエンコーダを共同で訓練し、潜在的な異常関連情報を明らかにする。
論文 参考訳（メタデータ） (2025-08-01T10:47:07Z) - Rethinking Contrastive Learning in Graph Anomaly Detection: A Clean-View Perspective [54.605073936695575]
グラフ異常検出は、Webセキュリティやファイナンシャル不正検出などの分野で広く応用されているグラフベースのデータにおいて、異常なパターンを特定することを目的としている。
既存の手法は対照的な学習に依存しており、ノードとその局所部分グラフの間のより低い類似性は異常を示すと仮定する。
干渉エッジの存在は、対照的な学習過程を損なう破壊的なノイズをもたらすため、この仮定を無効にする。
コントラスト学習プロセスにおいて重要な干渉源を特定するために,複数スケールの異常認識モジュールを含むクリーンビュー拡張グラフ異常検出フレームワーク(CVGAD)を提案する。
論文 参考訳（メタデータ） (2025-05-23T15:05:56Z) - Three Revisits to Node-Level Graph Anomaly Detection: Outliers, Message
Passing and Hyperbolic Neural Networks [9.708651460086916]
本稿では,教師なしノードレベルのグラフ異常検出タスクに対するデータセットとアプローチを再検討する。
まず,グラフデータセットにおいて,より多様なグラフベースの異常を発生させるアウトリーインジェクション手法を提案する。
第2に、メッセージパッシングを利用した手法を非使用者と比較し、予期せぬ性能低下を明らかにした。
論文 参考訳（メタデータ） (2024-03-06T19:42:34Z) - 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) - Few-shot Message-Enhanced Contrastive Learning for Graph Anomaly
Detection [15.757864894708364]
グラフ異常検出は、多数派から大きく逸脱するグラフデータの例外的なインスタンスを特定する上で重要な役割を果たす。
我々はFMGADと呼ばれる新しい数ショットグラフ異常検出モデルを提案する。
FMGADは, 人工的に注入された異常やドメイン・有機異常によらず, 他の最先端手法よりも優れた性能が得られることを示す。
論文 参考訳（メタデータ） (2023-11-17T07:49:20Z) - GADY: Unsupervised Anomaly Detection on Dynamic Graphs [18.1896489628884]
本稿では,従来の離散的手法の限界を突破する細粒度情報を取得するための連続的動的グラフモデルを提案する。
第2の課題として、負の相互作用を生成するためにジェネレーティブ・アドバイサル・ネットワーク(Generative Adversarial Networks)を開拓した。
提案したGADYは,3つの実世界のデータセットにおいて,従来の最先端手法よりも大幅に優れていた。
論文 参考訳（メタデータ） (2023-10-25T05:27:45Z) - BOURNE: Bootstrapped Self-supervised Learning Framework for Unified
Graph Anomaly Detection [50.26074811655596]
自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。
ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。
BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
論文 参考訳（メタデータ） (2023-07-28T00:44:57Z) - 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) - Deep Fraud Detection on Non-attributed Graph [61.636677596161235]
グラフニューラルネットワーク(GNN)は不正検出に強い性能を示している。
ラベル付きデータは大規模な産業問題、特に不正検出には不十分である。
よりラベルのないデータを活用するための新しいグラフ事前学習戦略を提案する。
論文 参考訳（メタデータ） (2021-10-04T03:42:09Z)
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。