論文の概要: Modeling Spectral Energy Shifts in Spatio-Temporal Graph Anomaly Detection

• arxiv url: http://arxiv.org/abs/2606.00304v1
• Date: Fri, 29 May 2026 19:31:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.268656
• Title: Modeling Spectral Energy Shifts in Spatio-Temporal Graph Anomaly Detection
• Title（参考訳）: 時空間グラフ異常検出におけるスペクトルエネルギーシフトのモデル化
• Abstract要約: 本稿では,メッセージパッシングと完全に互換性があり,カモフラージュした異常の検出を可能にするノードレベルのスペクトルエネルギー定式化を提案する。 この定式化に基づいて、静的グラフと時系列グラフの両方において、エネルギー駆動型メッセージパッシングを通してスペクトルシフトをモデル化する、エネルギー対応グラフ学習フレームワークを導入する。
• 参考スコア（独自算出の注目度）: 18.203761924547575
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph anomaly detection methods aim to distinguish anomalous nodes. While prior methods characterize anomalies through increased variation in the spectral energy distributions, they overlook those that result in decreased variation, i.e., camouflaged anomalies that appear normal. We show that this type of anomaly persists across multiple datasets and remains undetectable by existing spectral approaches. To address this limitation, we propose a node-level spectral energy formulation that is fully compatible with message passing and enables the detection of camouflaged anomalies. Building on this formulation, we introduce an energy-aware graph learning framework that models spectral shifts through energy-driven message passing in both static and time-series graphs. Besides, our unified architecture extends to temporal settings without introducing specialized sequence modules, enabling efficient learning under long sliding windows. Extensive experiments on large-scale benchmarks demonstrate the effectiveness and scalability of our approach.
• Abstract（参考訳）: グラフ異常検出手法は異常ノードを識別することを目的としている。 以前の方法ではスペクトルエネルギー分布の変動が増加することで異常を特徴づけるが、正常に見えるカモフラージュされた異常を減少させるものを見落としている。 このタイプの異常は複数のデータセットにまたがって持続し、既存のスペクトルアプローチでは検出できないことを示す。 この制限に対処するために、メッセージパッシングと完全に互換性があり、カモフラージュした異常の検出を可能にするノードレベルのスペクトルエネルギー定式化を提案する。 この定式化に基づいて、静的グラフと時系列グラフの両方において、エネルギー駆動型メッセージパッシングを通してスペクトルシフトをモデル化する、エネルギー対応グラフ学習フレームワークを導入する。 さらに、我々の統合アーキテクチャは、特別なシーケンスモジュールを導入することなく、時間的設定にまで拡張し、長いスライディングウィンドウの下で効率的な学習を可能にします。 大規模ベンチマークに関する大規模な実験は、我々のアプローチの有効性とスケーラビリティを実証している。

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)
• Multi-Head Spectral-Adaptive Graph Anomaly Detection [7.788514265469946]
  グラフ異常検出は、金融詐欺やリスク管理に広く応用されている。 既存のグラフ異常検出手法は、複雑で可変な異常パターンを扱う場合、しばしば重大な課題に直面する。 マルチヘッドスペクトル適応型グラフニューラルネットワーク(MHSA-GNN)を提案する。 本手法は, 高周波異常信号の保存を効果的に行い, 既存の最先端手法を著しく上回っている。
  論文  参考訳（メタデータ） (2025-12-25T14:55:43Z)
• 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)
• ScatterAD: Temporal-Topological Scattering Mechanism for Time Series Anomaly Detection [19.3685780408744]
  正常試料と異常試料の両方が高次元空間に散在する傾向があることを示す実験的検討を行った。 我々は、この分散現象を散乱として定式化し、サンプル表現の平均対距離で定量化する。 我々は,学習した時間的および位相的表現の補完を保証するために,対照的な融合機構を導入する。
  論文  参考訳（メタデータ） (2025-09-29T08:03:03Z)
• Towards Anomaly-Aware Pre-Training and Fine-Tuning for Graph Anomaly Detection [59.042018542376596]
  グラフ異常検出(GAD)は近年注目度が高まりつつあるが、2つの重要な要因があるため、依然として困難である。 Anomaly-Aware Pre-Training and Fine-Tuning (APF)は、GADの課題を軽減するためのフレームワークである。 10のベンチマークデータセットに関する総合的な実験は、最先端のベースラインと比較してAPFの優れたパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2025-04-19T09:57:35Z)
• Efficient Measurement-Driven Eigenenergy Estimation with Classical Shadows [0.0]
  マルチオブザーバブル・ダイナミックモード分解(MODMD)の枠組みを紹介する。 我々は、典型的なアダマールテスト回路を、低ランクの可観測性を予測するために設計されたプロトコルに置き換える。 我々の研究は、短期および早期の耐故障性量子デバイス上での測定駆動アルゴリズムを効率的に設計するための道を開く。
  論文  参考訳（メタデータ） (2024-09-20T17:59:56Z)
• GLADformer: A Mixed Perspective for Graph-level Anomaly Detection [24.961973151394826]
  マルチパースペクティブなグラフレベルの異常検出器であるGLADformerを提案する。 具体的には、まず、グローバルスペクトル拡張を用いたグラフトランスフォーマーモジュールを設計する。 局所的な異常特性を明らかにするため、帯域通過スペクトルGNNメッセージパッシングモジュールをカスタマイズする。
  論文  参考訳（メタデータ） (2024-06-02T12:51:48Z)
• 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)
• Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
  我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
  論文  参考訳（メタデータ） (2023-12-26T07:08:06Z)
• 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)
• AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
  製造業において異常検査が重要な役割を担っている。 既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。 本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
  論文  参考訳（メタデータ） (2023-12-10T05:13:40Z)
• ARISE: Graph Anomaly Detection on Attributed Networks via Substructure Awareness [70.60721571429784]
  サブ構造認識(ARISE)による属性付きネットワーク上の新しいグラフ異常検出フレームワークを提案する。 ARISEは、異常を識別するグラフのサブ構造に焦点を当てている。 実験により、ARISEは最先端の属性付きネットワーク異常検出(ANAD)アルゴリズムと比較して、検出性能が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2022-11-28T12:17:40Z)

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。