論文の概要: Dual Spatial-Temporal Attribution: Architecture-Aligned Post-Hoc Explainability for Recurrent Graph Anomaly Detection

• arxiv url: http://arxiv.org/abs/2608.12441v1
• Date: Wed, 12 Aug 2026 15:58:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 18:29:38.288147
• Title: Dual Spatial-Temporal Attribution: Architecture-Aligned Post-Hoc Explainability for Recurrent Graph Anomaly Detection
• Title（参考訳）: 二重空間時間属性:連続グラフ異常検出のためのアーキテクチャアライメント後説明可能性
• Abstract要約: 動的グラフにおける異常検出のためのポストホックな説明可能性フレームワークであるX-AddGraphを提案する。 検出器は凍結されているため、検出性能は正確に保存される。 X-AddGraphはすべてのスコアを同一に再現し、存在しない説明を追加します。
• 参考スコア（独自算出の注目度）: 1.8899300124593645
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning detectors for anomalies in dynamic graphs have reached strong accuracy, yet they remain opaque: when an edge is flagged, the analyst receives a score but no reason. This opacity is untenable in the cooperative, regulated information systems where such detectors are deployed, where automated decisions must be auditable and trustworthy. We address this gap for AddGraph, the foundational GCN+GRU framework for edge-level anomaly detection in dynamic graphs, which to our knowledge has never been equipped with any form of explainability. We present a strictly post-hoc explainability framework, X-AddGraph, built on a Dual Spatial-Temporal Attribution (DSTA) mechanism whose three components are each aligned with one of AddGraph's architectural modules: a gradient-based relevance attribution over the current adjacency structure (spatial), a direct reading of the contextual attention weights already computed during inference (short-term temporal, at zero additional cost), and a gradient rollback through the recurrent hidden states (long-term temporal). Because the detector is frozen, detection performance is preserved exactly (Delta AUC = 0, verified empirically to ten decimal places). On the UCI Message benchmark, our trained AddGraph baseline reaches an average per-snapshot AUC of 0.8705, exceeding the originally published result; X-AddGraph reproduces every score identically while adding explanations where none existed. Evaluated across four edge populations - confident true positives, low-confidence true positives, false positives, and random samples - the long-term attribution identifies historical snapshots carrying significantly more counterfactual signal than random selection (0.127 vs. 0.074), a capability that no spatially-blind explainer can provide. We release our implementation for full reproducibility.
• Abstract（参考訳）: 動的グラフにおける異常の深層学習検出器は、高い精度に達したが、それらは不透明なままであり、エッジがフラグ付けされた場合、アナリストはスコアを受け取るが、理由はない。 この不透明度は、そのような検知器が配備される協調的で規制された情報システムでは、自動化された決定は監査可能で信頼性の高いものにされなければならない。 このギャップは、動的グラフにおけるエッジレベルの異常検出のための基礎的なGCN+GRUフレームワークであるAddGraphに対処する。 本稿では,Dual Spatial-Temporal Attribution (DSTA) 機構上に構築された厳密なポストホックな説明可能性フレームワークであるX-AddGraphについて述べる。 検出器は凍結されているため、検出性能は正確に保存される(デルタAUC = 0、実証的に10個の10箇所に検証される)。 UCI Messageベンチマークでは、トレーニング済みのAddGraphベースラインが、最初に公開された結果より平均0.8705AUCに達し、X-AddGraphは、全く存在しない説明を加えながら、すべてのスコアを同一に再現する。 確実な真正値、低信頼の真正値、偽陽性値、ランダムサンプルの4つのエッジ集団で評価され、長期的な属性は、ランダム選択(0.127対0.074)よりもはるかに反実的な信号を持つ歴史的なスナップショットを識別する。 完全な再現性のための実装をリリースします。

関連論文リスト

• RINSE: Robust Target-Time Normality Estimation for Zero-Shot Graph Anomaly Detection [9.187714394723931]
  RINSE(Robust Iterative Normality Self-Estimation)は、勾配のない目標時間フレームワークである。 対象グラフから対象の正規性、表現キャリブレーション、および証拠の信頼性を推定する。 これらの結果は、汎用グラフ異常検出の実践的アプローチとして、頑健な目標時間推定を支援する。
  論文  参考訳（メタデータ） (2026-09-02T12:03:58Z)
• Amortised Post-Hoc Explanation with Exact Preservation for Dynamic Graph Anomaly Detectors [2.169919643934826]
  動的グラフにおける異常検出は、金融詐欺分析、侵入検知、プラットフォームの整合性を支える。 エッジがフラグ付けされた場合、アナリストはスコアのみを受け取る。 我々は、トレーニングされた凍結されたStrGNNをラップし、フラグ付きエッジ毎に出力する、ポストホックな説明層であるX-StrGNNを紹介する。
  論文  参考訳（メタデータ） (2026-08-16T06:10:40Z)
• When Graph Structure Becomes a Liability: A Critical Re-Evaluation of Graph Neural Networks for Bitcoin Fraud Detection under Temporal Distribution Shift [0.0]
  生の機能上のランダムフォレストは F1 = 0.821 に達し、評価されたすべての GNN を上回り、GraphSAGE は F1 = 0.689 +/- 0.017 に達する。 コード、チェックポイント、厳密なインダクティブプロトコルをリリースし、再現可能でリークのない評価を可能にします。
  論文  参考訳（メタデータ） (2026-04-21T14:32:20Z)
• H-RINS: Hierarchical Tightly-coupled Radar-Inertial Navigation via Smoothing and Mapping [2.3821762993135507]
  ミリ波レーダーは、視覚的に劣化した環境で堅牢な知覚を提供する。 レーダー慣性状態推定は本質的にドリフトの影響を受けやすい。 本稿では,密結合型階層型レーダ慣性係数グラフフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-14T20:30:49Z)
• Learning to Explore: Policy-Guided Outlier Synthesis for Graph Out-of-Distribution Detection [51.93878677594561]
  教師なしグラフレベルのOOD検出では、モデルは通常、IDデータのみを使用して訓練される。 本稿では,スタティックスを学習した探索戦略に置き換える政策誘導型アウトリア合成フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-28T11:40:18Z)
• Insider Threat Detection Using GCN and Bi-LSTM with Explicit and Implicit Graph Representations [3.294619412118624]
  インサイダー脅威検出(ITD)は,信頼されたユーザによる悪意ある行為の微妙で隠された性質のため,課題である。 本稿では,明示的かつ暗黙的なグラフ表現と時間的モデリングを統合し,複雑なユーザ行動パターンをキャプチャするポストホックITDフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-20T19:48:35Z)
• PROVEX: Enhancing SOC Analyst Trust with Explainable Provenance-Based IDS [1.9336815376402718]
  本稿では,グラフに基づく検出を透過的にすることで,セキュリティ運用センター(SOC)の信頼ギャップを埋めるための総合的なXAIフレームワークを提案する。 我々はこのフレームワークを,最先端の時間グラフベースのIDSであるKAIROS上に実装する。
  論文  参考訳（メタデータ） (2025-12-20T03:45:21Z)
• 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)
• Towards Self-Interpretable Graph-Level Anomaly Detection [73.1152604947837]
  グラフレベルの異常検出(GLAD)は、コレクションの大多数と比べて顕著な相違を示すグラフを識別することを目的としている。 本稿では,異常なグラフを検出し,同時に情報的説明を生成する自己解釈グラフaNomaly dETectionモデル(SIGNET)を提案する。
  論文  参考訳（メタデータ） (2023-10-25T10:10:07Z)
• 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)
• Graph Signal Sampling for Inductive One-Bit Matrix Completion: a Closed-form Solution [112.3443939502313]
  グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。 キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。 オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
  論文  参考訳（メタデータ） (2023-02-08T08:17:43Z)
• Structural Temporal Graph Neural Networks for Anomaly Detection in Dynamic Graphs [54.13919050090926]
  本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。 特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。 抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
  論文  参考訳（メタデータ） (2020-05-15T09:17:08Z)

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。