論文の概要: ProTAGAD: A Foundation Model for TAG Anomaly Detection with Decoupled Topological and Textual Prototypes

• arxiv url: http://arxiv.org/abs/2608.10699v1
• Date: Tue, 11 Aug 2026 09:20:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.989617
• Title: ProTAGAD: A Foundation Model for TAG Anomaly Detection with Decoupled Topological and Textual Prototypes
• Title（参考訳）: ProTAGAD: 位相とテクスチャの分離したプロトタイプを用いたTAG異常検出の基礎モデル
• Abstract要約: 分離された位相とテキストのプロトタイプを特徴とするTAG異常検出のための新しい基礎モデルを提案する。 我々のフレームワークは、構造的正規性と意味的一貫性を独立にモデル化するために、2つのプロトタイプバンクを構築します。 本手法は,クロスドメイン設定における最先端性能を一貫して達成する。
• 参考スコア（独自算出の注目度）: 26.506659051160806
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Text-Attributed Graphs (TAGs), endowed with abundant textual content along with topological structures, have emerged as a versatile backbone for real-world anomaly detection spanning large language model security, social network moderation, and cyber threat identification. Unlike conventional Graph Anomaly Detection (GAD), which relies primarily on structural irregularities, TAG anomaly detection must jointly leverage both topological patterns and fine-grained textual semantics to capture nuanced anomalous behaviors. The current GNN-based anomaly detectors adopt holistic message-passing schemes that indiscriminately fuse structural proximity and textual semantics during propagation, leading to deep cross-modality coupling. This entanglement acts as a noise amplifier, obscuring subtle anomalous signals and directly giving rise to the Blurred-Anomaly-Boundary (BAB) issue by rendering normal-anomalous decision boundaries poorly separable. This challenge is further amplified for graph foundation models that require robust cross-domain generalization. To bridge this gap, we introduce a novel foundation model for TAG anomaly detection featuring decoupled topological and textual prototypes. Our framework constructs dual prototype banks to independently model structural normality and semantic consistency, effectively isolating anomaly cues that are otherwise diluted during coupled aggregation. Extensive experiments across 14 diverse benchmark datasets demonstrate that our method consistently achieves state-of-the-art performance in cross-domain settings. Notably, the ablation studies further corroborate the prevalence of the BAB issue in conventional coupled TAG anomaly detectors, and show that our decoupled prototype design effectively mitigates this challenge.
• Abstract（参考訳）: Text-Attributed Graphs (TAGs) は、トポロジ構造とともに豊富なテキストコンテンツが提供され、大規模言語モデルのセキュリティ、ソーシャルネットワークのモデレーション、サイバー脅威識別にまたがる現実世界の異常検出のための汎用的なバックボーンとして登場した。 構造的不規則性に主に依存する従来のグラフ異常検出(GAD)とは異なり、TAG異常検出はトポロジカルパターンと微細なテクスチャセマンティクスの両方を併用して、ニュアンスな異常な振る舞いを捉える必要がある。 現行のGNNベースの異常検知器は、伝播中に構造的近接性とテキスト意味論を無差別に融合させる全体論的メッセージパッシング方式を採用しており、深い相互モダリティ結合をもたらす。 この絡み合いはノイズ増幅器として機能し、微妙な異常信号を隠蔽し、通常の非正則決定境界を分離し難くすることで、直接Blurred-Anomaly-Boundary (BAB)問題を引き起こす。 この問題は、堅牢なクロスドメインの一般化を必要とするグラフ基盤モデルに対してさらに増幅される。 このギャップを埋めるために,分離したトポロジカルプロトタイプとテキストプロトタイプを特徴とするTAG異常検出のための新しい基礎モデルを提案する。 本フレームワークは, 構造的正規性と意味的整合性を独立にモデル化し, 結合アグリゲーション時に希釈される異常なキューを効果的に分離する。 14の多様なベンチマークデータセットにわたる大規模な実験により、我々の手法はドメイン間設定における最先端のパフォーマンスを一貫して達成することを示した。 アブレーション研究は、従来のTAG異常検出器におけるBAB問題の存在をさらに裏付けるものであり、我々の分離されたプロトタイプ設計がこの課題を効果的に軽減していることを示す。

関連論文リスト

• Proximity-CLIP: Text-Guided Semantic Proximity Learning for Zero-Shot Anomaly Detection [7.184018933441995]
  ビジョン言語モデルはゼロショット異常検出(ZSAD)に有望なアプローチを提供する 通常のテキストと異常なテキストのプロトタイプは、高いセマンティックオーバーラップを示す。 Proximity-CLIPは視覚的適応を誘導するために意味的マージンを視覚的に校正するフレームワークである。
  論文  参考訳（メタデータ） (2026-09-07T08:48:27Z)
• CORE: In-Context Reconstruction for Unified Tabular Anomaly Detection [50.334454857423395]
  統合異常検出(TAD)への新たなトレンドは、単一の一般化可能なモデルを使用して、異なるデータセットにわたる異常を検出することにある。 統合型TAD(CORE for Short)のための文書内再構成手法を提案する。 COREは、TADをコンテキスト内再構成問題として統一し、ラベル付きまたは合成された異常を除去する。
  論文  参考訳（メタデータ） (2026-07-30T03:08:49Z)
• Learning Topology-Aware Representations via Test-Time Adaptation for Anomaly Segmentation [12.965117238061096]
  TopoTTAは、トポロジ的データ分析のツールである永続的ホモロジーをテスト時間パイプラインに統合する、新しいフレームワークである。 軽量なテストタイム分類器を導く頑健なトポロジカルな擬似ラベルを導出し、バックボーンモデルを再訓練することなくセグメンテーション品質を向上させる。 大規模な実験では、最先端の教師なし異常検出およびセグメント化手法よりも平均15%のF1改善が示されている。
  論文  参考訳（メタデータ） (2026-06-26T17:04:42Z)
• TPA-AD: A Two-Stage Pseudo Anomaly-Guided Method for Bearing Time-Series Anomaly Detection [15.271061413934332]
  2段階の擬似異常誘導型異常検出法を提案する。 通常の境界付近で擬似非正則ウィンドウを生成する。 ノーマルウィンドウと擬似アノマラスウィンドウの対比学習を通じて、異常に敏感な表現を学習する。
  論文  参考訳（メタデータ） (2026-06-02T15:39:10Z)
• Towards Foundation Models for Zero-Shot Time Series Anomaly Detection: Leveraging Synthetic Data and Relative Context Discrepancy [33.68487894996624]
  時系列異常検出(TSAD)は重要な課題であるが、見えないデータに一般化するモデルを開発することは大きな課題である。 我々は、新しい事前学習パラダイムの上に構築されたTSADの新たな基盤モデルであるtextttTimeRCDを紹介した。 textttTimeRCD はゼロショット TSAD において,既存の汎用および異常固有の基盤モデルよりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-25T14:05:15Z)
• OoDDINO:A Multi-level Framework for Anomaly Segmentation on Complex Road Scenes [3.0743391441996684]
  異常セグメンテーションは、画像内の異常なオブジェクトを識別することを目的としている。 既存のピクセルワイズ手法は、通常、個々の異常スコアを割り当て、グローバルなしきい値戦略を用いて異常を分割する。 OoDDINOは,これらの制約に対処するために設計された,新しいマルチレベル・アノマライ・セグメンテーション・フレームワークである。
  論文  参考訳（メタデータ） (2025-07-02T08:15:11Z)
• Towards Training-free Anomaly Detection with Vision and Language Foundation Models [17.991678161890174]
  異常検出は、産業品質検査のような現実世界の応用に有用である。 論理的および構造的異常検出のトレーニングを必要としない新しいマルチモーダルフレームワークであるLogSADを紹介する。
  論文  参考訳（メタデータ） (2025-03-24T04:07:59Z)
• 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)
• 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)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• 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)
• 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。