論文の概要: RagGAD: Rationale-Aware Conditional Gaussian Mixture Normalizing Flow for Unsupervised Graph Anomaly Detection

• arxiv url: http://arxiv.org/abs/2608.16018v1
• Date: Mon, 17 Aug 2026 02:20:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.504505
• Title: RagGAD: Rationale-Aware Conditional Gaussian Mixture Normalizing Flow for Unsupervised Graph Anomaly Detection
• Title（参考訳）: RagGAD:教師なしグラフ異常検出のためのRationale-Aware Conditional Gaussian Mixture Normalizing Flow
• Authors: Junxin Lu, Jing Zhao, Shiliang Sun,
• Abstract要約: RagGADは教師なしグラフ異常検出フレームワークである。 条件付きガウス流の正規化において、安定な有理をノード内の急激な相関から切り離す。 構造限定型分布空間内の低密度領域として異常を識別する。
• 参考スコア（独自算出の注目度）: 39.809148028739635
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Graph anomaly detection aims to identify nodes that deviate from normal behavioral patterns within graphs. However, existing methods largely rely on the homophily assumption, which makes it difficult to distinguish spurious affinities and to capture the diverse behaviors of normal nodes,limiting their robustness in complex real-world scenarios. To address this problem, we propose RagGAD, an unsupervised graph anomaly detection framework based on rationale-aware conditional Gaussian mixture normalizing flow. RagGAD introduces an adaptive rationale disentangler to disentangle stable rationales from spurious correlations within node interrelationships, and further decomposes stable rationales into robust and fragile components. The learned rationales capture underlying interaction patterns that characterize normal behaviors under varying conditions, while anomalies emerge as deviations associated with unstable or spurious correlations. To model the intricate distributions of normal and abnormal nodes, RagGAD integrates rationale-non-rationale Gaussian mixture modeling with a robust-fragile rationale mixture learning strategy. By mitigating spurious homophilic correlations and embracing the heterogeneity of normal patterns, RagGAD identifies anomalies as low-density regions within a structure-aware distribution space. Extensive experiments on multiple benchmark datasets demonstrate that RagGAD outperforms state-of-the-art methods.
• Abstract（参考訳）: グラフ異常検出は、グラフ内の通常の行動パターンから逸脱するノードを特定することを目的としている。 しかし、既存の手法はホモフィリーの仮定に大きく依存しているため、刺激的な親和性を区別し、通常のノードの多様な振る舞いを捉えることは困難であり、複雑な実世界のシナリオにおいてそれらの堅牢性を制限している。 この問題に対処するために,RagGADを提案する。RagGADは,論理的条件付きガウス混合の正規化フローに基づく教師なしグラフ異常検出フレームワークである。 RagGAD は、ノード相互関係内の急激な相関から安定な有理数を切り離すための適応的有理数解離器を導入し、さらに安定な有理数を堅牢かつ脆弱な成分に分解する。 学習された合理性は、様々な条件下での正常な振る舞いを特徴づける基礎となる相互作用パターンを捉え、一方異常は不安定あるいは刺激的な相関に関連付けられた偏差として現れる。 正規ノードと異常ノードの複雑な分布をモデル化するために、RagGADは有理非有理ガウス混合モデリングと頑健な有理混合学習戦略を統合する。 RagGADは、刺激的な相同性相関を緩和し、通常のパターンの不均一性を受け入れることにより、構造認識分布空間内の低密度領域として異常を識別する。 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、RagGADが最先端の手法より優れていることを示している。

関連論文リスト

• Out of Context: Reliability in Multimodal Anomaly Detection Requires Contextual Inference [54.774686416991386]
  我々は、マルチモーダルな異常検出は、クロスモーダルな文脈推論問題として再編成されるべきであると主張している。 この観点はモデル設計、評価プロトコル、ベンチマーク構築に影響を及ぼす。
  論文  参考訳（メタデータ） (2026-04-14T19:32:55Z)
• Mitigating Homophily Disparity in Graph Anomaly Detection: A Scalable and Adaptive Approach [10.690844780930137]
  グラフ異常検出(GAD)は、構造や特徴の通常のパターンから逸脱するノードを特定することを目的としている。 最近のGNNベースのアプローチでは,1) ノードがクラスレベルとノードレベルで均質に変化するホモフィリティー,2) 拡張性に制限があるため,多くの手法がコストのかかるグラフ全体の操作に依存している。
  論文  参考訳（メタデータ） (2026-03-09T09:15:47Z)
• Correcting False Alarms from Unseen: Adapting Graph Anomaly Detectors at Test Time [60.341117019125214]
  グラフ異常検出(GAD)における未確認正規pattErnsの修正のための,軽量かつプラグアンドプレイなテスト時間適応フレームワークを提案する。 意味的混乱に対処するために、シフトしたデータと元のデータとをグラフ属性レベルで整合させるグラフ整合器を用いる。 10個の実世界のデータセットに対する大規模な実験により、TUNEは事前学習されたGADモデルの合成パターンと実際の見えない正常パターンの両方への一般化性を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-11-10T12:10:05Z)
• FANFOLD: Graph Normalizing Flows-driven Asymmetric Network for Unsupervised Graph-Level Anomaly Detection [18.758250338590297]
  非教師付きグラフレベルの異常検出(UGAD)は、広く応用されているため、関心が高まりつつある。 教師なしグラフレベル異常検出(FANFOLD)のためのグラフ正規化フロー駆動型非対称ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-06-29T09:49:16Z)
• Alleviating Structural Distribution Shift in Graph Anomaly Detection [70.1022676681496]
  グラフ異常検出(GAD)は二項分類の問題である。 ガロン神経ネットワーク(GNN)は、同胞性隣人からの正常の分類に有用である。 ヘテロ親水性隣人の影響を緩和し、不変にするための枠組みを提案する。
  論文  参考訳（メタデータ） (2024-01-25T13:07:34Z)
• Open-Set Graph Anomaly Detection via Normal Structure Regularisation [30.638274744518682]
  Open-set Graph Anomaly Detection (GAD)は、少数の正規ノードと異常ノードを使用して検出モデルをトレーニングすることを目的としている。 現在の監督型GAD法は、目に見えない異常を正常なノードとして検出する多くの誤りを招き、その異常を過度に強調する傾向にある。 本稿では,新しいオープンセットGAD手法,すなわち正規構造正規化(NSReg)を提案する。
  論文  参考訳（メタデータ） (2023-11-12T13:25:28Z)
• Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
  本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。 提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。 我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2021-08-01T14:33:17Z)
• Deep Weakly-supervised Anomaly Detection [118.55172352231381]
  ペアワイズ関係予測ネットワーク(PReNet)は、ペアワイズ関係の特徴と異常スコアを学習する。 PReNetは、学習したペアの異常パターンに適合する見知らぬ異常を検出できる。 12の実世界のデータセットに対する実証的な結果から、PReNetは目に見えない異常や異常を検知する9つの競合する手法を著しく上回っている。
  論文  参考訳（メタデータ） (2019-10-30T00:40:25Z)

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。