論文の概要: Towards Anomaly Detection on Relational Data

• arxiv url: http://arxiv.org/abs/2606.18621v1
• Date: Wed, 17 Jun 2026 02:36:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:50.973485
• Title: Towards Anomaly Detection on Relational Data
• Title（参考訳）: リレーショナルデータによる異常検出に向けて
• Authors: Shiyuan Li, Yunfeng Zhao, Yue Tan, Qingfeng Chen, Yixin Liu, Shirui Pan,
• Abstract要約: 属性とリレーショナルエッジの両方から異常を捕捉する再構成に基づくフレームワークを提案する。 RelADは競争効率を保ちながら、他のベースラインを一貫して上回ります。
• 参考スコア（独自算出の注目度）: 51.473064583839296
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Relational databases are widely used for managing structured data in real-world systems. Detecting anomalies from such relational data is crucial for identifying fraud, risks, and abnormal behaviors, yet remains under-explored. The key challenges lie in the intrinsic complexity of relational data: multi-table attributes are high-dimensional and heterogeneous, making sparse abnormal clues easy to overwhelm by normal or irrelevant information; and anomalies may further manifest as abnormal connection patterns across different foreign-key relations, which existing tabular and graph anomaly detection methods are ill-suited to capture. To address them, we propose RelAD, a reconstruction-based framework that captures anomalies from both attribute and relational edge reconstruction. RelAD contains two core modules: conditional sparse-gated attribute reconstruction, which suppresses redundant multi-table attributes and emphasizes abnormal semantic blocks, and dual-view multi-relational edge reconstruction, which detects relation-specific abnormal connections from both intrinsic and behavioral entity profiles. The resulting attribute and relational signals are integrated through a lightweight fusion module to produce the final anomaly score. We further construct 6 benchmark datasets with systematic anomalies, on which extensive experiments show that RelAD consistently outperforms other baselines while achieving competitive efficiency.
• Abstract（参考訳）: リレーショナルデータベースは現実世界のシステムにおける構造化データ管理に広く利用されている。 このような関係データから異常を検出することは、詐欺、リスク、そして異常な行動を識別するために重要であるが、まだ解明されていない。 マルチテーブル属性は高次元で不均一であり、正常な情報や無関係な情報によって不規則な手がかりを圧倒しやすくする。 そこで本稿では,属性とリレーショナルエッジの両方から異常をキャプチャするRelADフレームワークを提案する。 RelADには2つのコアモジュールが含まれている。条件付きスパースゲート属性再構成は冗長なマルチテーブル属性を抑圧し、異常なセマンティックブロックを強調する。 得られた属性とリレーショナル信号は、最終異常スコアを生成するために、軽量な融合モジュールを介して統合される。 さらに、系統的な異常を伴う6つのベンチマークデータセットを構築し、RelADが競争効率を保ちながら、他のベースラインを一貫して上回っていることを示す広範な実験を行った。

関連論文リスト

• uLEAD-TabPFN: Uncertainty-aware Dependency-based Anomaly Detection with TabPFN [26.03194873655899]
  先行データフィットネットワーク(PFN)上に構築された依存性ベースの異常検出フレームワークである uLEAD-TabPFN を提案する。 すなわち、学習された潜在空間における条件依存の違反として異常を識別し、依存関係推定に凍結されたPFNを利用する。 すなわち、中高次元の環境では高い性能を達成し、そこでは最上位のランクに達する。
  論文  参考訳（メタデータ） (2026-04-22T07:04:08Z)
• Towards One-for-All Anomaly Detection for Tabular Data [87.63505963517512]
  タブラル異常検出(TAD)は多くの実世界の応用において重要である。 複数のソースデータセットに対して1回のトレーニングのみを必要とするフレームワークであるOFA-TADを提案する。 14ドメインの34のデータセットに対する実験により、OFA-TADはより優れた異常検出性能が得られることが示された。
  論文  参考訳（メタデータ） (2026-03-15T14:42:05Z)
• 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)
• RESTAD: REconstruction and Similarity based Transformer for time series Anomaly Detection [3.0377067713090633]
  時系列データの異常検出は、様々な領域で重要である。 アーキテクチャに放射基底関数(RBF)の層を組み込むことにより、トランスフォーマーモデルの適応であるRESTADを導入する。
  論文  参考訳（メタデータ） (2024-05-13T07:10:35Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• Reconstruction Enhanced Multi-View Contrastive Learning for Anomaly Detection on Attributed Networks [35.93516937521393]
  本稿では,マルチビュー・コントラッシブ・ラーニング・ベース・モジュールと属性再構成・ベース・モジュールを併用して,属性付きネットワーク上の異常をより正確に検出する自己教師付き学習フレームワークを提案する。 5つのベンチマークデータセットで行った実験は、我々のモデルが現在の最先端モデルより優れていることを示している。
  論文  参考訳（メタデータ） (2022-05-10T11:35:32Z)
• CSCAD: Correlation Structure-based Collective Anomaly Detection in Complex System [11.739889613196619]
  大規模システムにおける高次元異常検出問題に対する相関構造に基づく集団異常検出モデルを提案する。 本フレームワークでは,変分オートエンコーダを組み合わせたグラフ畳み込みネットワークを用いて,特徴空間の相関とサンプルの再構成不足を共同で活用する。 異常判別ネットワークは、低異常度サンプルを正のサンプルとして、高異常度サンプルを負のサンプルとしてトレーニングすることができる。
  論文  参考訳（メタデータ） (2021-05-30T09:28:25Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)

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。