論文の概要: A Zero-shot Generalized Graph Anomaly Detection Framework via Node Reconstruction

• arxiv url: http://arxiv.org/abs/2606.12673v1
• Date: Wed, 10 Jun 2026 20:59:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.45879
• Title: A Zero-shot Generalized Graph Anomaly Detection Framework via Node Reconstruction
• Title（参考訳）: ノード再構成によるゼロショット一般化グラフ異常検出フレームワーク
• Authors: Phan Nguyen, Dat Cao, Hien Chu, Khue Hoang,
• Abstract要約: クロスドメイングラフ異常検出(GAD)は、目に見えないターゲット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、異種グラフデータを用いた実世界のアプリケーションに強い可能性を示す。 ゼロショット一般化グラフ異常検出フレームワークAlignGADを提案する。 我々のフレームワークは,異種ノードの特徴を整列し,スペクトル領域におけるグラフ信号の正規化を行うグローバル統一モジュール,クラスタ対応グラフビューを構築してグループレベルの異常パターンをキャプチャするクラスタリングモジュール,および異なるグラフビューから異常を再現し,異常な証拠を集約するノード異性度スコアリングモジュールという3つの重要なコンポーネントで構成されている。
• 参考スコア（独自算出の注目度）: 1.878263777814554
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-domain graph anomaly detection (GAD) aims to identify abnormal nodes in unseen target graphs, showing strong potential in real-world applications with heterogeneous graph data. However, existing methods often depend on dataset-specific feature semantics and structural patterns, which limits their ability to generalize across different domains. To address this challenge, we propose AlignGAD, a zero-shot generalized graph anomaly detection framework. Our framework is built upon three key components: a Global Unification Module that aligns heterogeneous node features and normalizes graph signals in the spectral domain; a Clustering Module that constructs cluster-aware graph views to capture group-level abnormal patterns; and a Node Discrepancy Scoring Module that measures reconstruction discrepancy and aggregates anomaly evidence from different graph views. Experiments on multiple real-world datasets demonstrate the effectiveness of AlignGAD under the zero-shot GAD setting.
• Abstract（参考訳）: クロスドメイングラフ異常検出(GAD)は、目に見えないターゲット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、異種グラフデータを用いた実世界のアプリケーションに強い可能性を示す。 しかし、既存のメソッドはデータセット固有の機能セマンティクスと構造パターンに依存しており、異なるドメインにまたがる一般化の能力を制限する。 この課題に対処するため、ゼロショット一般化グラフ異常検出フレームワークAlignGADを提案する。 我々のフレームワークは,異種ノードの特徴を整列し,スペクトル領域におけるグラフ信号の正規化を行うグローバル統一モジュール,クラスタ対応グラフビューを構築してグループレベルの異常パターンをキャプチャするクラスタリングモジュール,および異なるグラフビューから異常を再現し,異常な証拠を集約するノード異性度スコアリングモジュールという3つの重要なコンポーネントで構成されている。 複数の実世界のデータセットの実験では、ゼロショットGAD設定下でのAlignGADの有効性が示されている。

関連論文リスト

• From Few-Shot to Zero-Shot: Towards Generalist Graph Anomaly Detection [89.52759572485276]
  ARCは、文脈内学習を利用した数発のGAD法であり、推論時にわずかにラベル付き正規サンプルを必要とする。 ARCとARC_zeroは、異常を効果的に検出し、強力な一般化能力を示し、少数ショットおよびゼロショット設定下で効率的に実行する。
  論文  参考訳（メタデータ） (2026-02-21T10:59:00Z)
• OWLEYE: Zero-Shot Learner for Cross-Domain Graph Data Anomaly Detection [48.77471686671269]
  OWLEYEは、複数のグラフから正常な振る舞いの伝達可能なパターンを学習する新しいフレームワークである。 OWLEYEは最先端のベースラインに比べて性能と一般化性が優れていることを示す。
  論文  参考訳（メタデータ） (2026-01-27T02:08:18Z)
• UMGAD: Unsupervised Multiplex Graph Anomaly Detection [40.17829938834783]
  UMGADと呼ばれる新しい教師なし多重グラフ異常検出法を提案する。 我々はまず、多重異種グラフにおけるノード間の多重相関関係を学習する。 そして、さらに異常情報を抽出するために、属性レベルおよびサブグラフレベルの拡張ビューグラフを生成する。
  論文  参考訳（メタデータ） (2024-11-19T15:15:45Z)
• ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
  ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。 ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。 各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
  論文  参考訳（メタデータ） (2024-05-27T02:42:33Z)
• 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)
• GAD-NR: Graph Anomaly Detection via Neighborhood Reconstruction [34.82023223790515]
  グラフオートエンコーダ(GAE)はグラフデータをノード表現にエンコードし、これらの表現に基づいてグラフの再構成品質を評価することで異常を識別する。 グラフ異常検出のための近傍再構成を組み込んだ新しいGAEであるGAD-NRを提案する。 6つの実世界のデータセットで実施された大規模な実験は、GAD-NRの有効性を検証し、最先端の競合相手よりも顕著な改善(AUCでは最大30%)を示す。
  論文  参考訳（メタデータ） (2023-06-02T23:23:34Z)
• 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。