論文の概要: Online Test-Time Adaptation for Generalizable Dynamic Graph Anomaly Detection

• arxiv url: http://arxiv.org/abs/2608.19858v1
• Date: Thu, 20 Aug 2026 10:07:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.52785
• Title: Online Test-Time Adaptation for Generalizable Dynamic Graph Anomaly Detection
• Title（参考訳）: 一般化可能な動的グラフ異常検出のためのオンラインテスト時間適応
• Abstract要約: 一般化可能な動的グラフ異常検出(DGAD)により、事前訓練された検出器は、コストのかかる再トレーニングをすることなく、未確認のターゲットドメイン内の異常を識別できる。 一般化可能なDGADのためのオンラインテスト時間適応を定式化し、OTTA-DGADを提案する。 OTTA-DGADはまず、時間的エゴグラフから正常パターンと異常パターンの進化表現を抽出し、メモリバッファに格納する。 異常スコアラは、これらのプロトタイプに対して入ってくるエッジ表現を比較して、一般およびドメイン固有の異常を識別する。
• 参考スコア（独自算出の注目度）: 49.23479407739726
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generalizable dynamic graph anomaly detection (DGAD) enables pretrained detectors to identify anomalies in unseen target domains without costly retraining. However, existing methods often fail for two reasons. First, they mainly rely on domain-agnostic patterns and miss domain-specific patterns that keep evolving. Second, they assume access to the full target domain data, whereas in more practical online test-time adaptation settings, target data arrive sequentially in unlabeled chunks. To address these limitations, we formulate online test-time adaptation for generalizable DGAD and propose OTTA-DGAD. OTTA-DGAD first extracts dynamic prototypes, i.e., evolving representations of normal and anomalous patterns, from temporal ego-graphs and stores them in a memory buffer. The buffer selectively retains general patterns shared across the source domains used for pretraining while incorporating new patterns from the target domain. An anomaly scorer then compares incoming edge representations against these prototypes to identify both general and domain-specific anomalies. During adaptation, OTTA-DGAD updates the memory buffer using reliable pseudo-labels identified through confidence-based detection. It further enriches each target chunk with relevant representations retained from previous chunks, compensating for information loss resulting from the sequential arrival of data. Extensive experiments under strict test-then-adapt OTTA settings demonstrate state-of-the-art performance on ten real-world datasets from diverse domains.
• Abstract（参考訳）: 一般化可能な動的グラフ異常検出(DGAD)により、事前訓練された検出器は、コストのかかる再トレーニングをすることなく、未確認のターゲットドメイン内の異常を識別できる。 しかし、既存の手法は2つの理由で失敗することが多い。 まず、ドメインに依存しないパターンに依存し、進化を続けるドメイン固有のパターンを見逃します。 第二に、彼らは完全なターゲットドメインデータへのアクセスを前提としていますが、より実用的なオンラインテスト時間適応設定では、ターゲットデータがラベルのないチャンクに順次到着します。 これらの制約に対処するため、一般化可能なDGADのためのオンラインテスト時間適応を定式化し、OTTA-DGADを提案する。 OTTA-DGADはまず、時間的エゴグラフから正常パターンと異常パターンの進化表現を抽出し、メモリバッファに格納する。 バッファは、ターゲットドメインから新しいパターンを取り入れつつ、プレトレーニングに使用されるソースドメイン間で共有される一般的なパターンを選択的に保持する。 異常スコアラは、これらのプロトタイプに対して入ってくるエッジ表現を比較して、一般およびドメイン固有の異常を識別する。 OTTA-DGADは、信頼性に基づく検出によって識別された信頼性の高い擬似ラベルを用いてメモリバッファを更新する。 さらに、各ターゲットチャンクを、以前のチャンクから保持された関連する表現で強化し、データのシーケンシャルな到着による情報損失を補償する。 厳密なテストテーマ適応OTTA設定の下での大規模な実験は、さまざまなドメインから10の実世界のデータセット上での最先端のパフォーマンスを示している。

関連論文リスト

• 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)
• 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)
• DP-DGAD: A Generalist Dynamic Graph Anomaly Detector with Dynamic Prototypes [43.326258937751625]
  動的グラフ異常検出(DGAD)は、金融、トラフィック、ソーシャルネットワークなどの分野にわたるグラフの進化における異常を特定するために不可欠である。 本稿では,動的プロトタイプ(DP)を用いたDGADモデルを提案する。 DP-DGADは、ターゲットドメインにおける効果的な自己教師付き適応に信頼に基づく疑似ラベルを用いる。
  論文  参考訳（メタデータ） (2025-08-01T14:35:50Z)
• Style-Adaptive Detection Transformer for Single-Source Domain Generalized Object Detection [7.768332621617199]
  単一ソースドメインの一般化は、未確認のターゲットドメインによく一般化するソースドメインデータのみを使用して検出器を開発することを目的としている。 既存の手法は主にCNNベースで、データ拡張と機能アライメントを組み合わせることで堅牢性を向上させる。 単一ソース領域の一般化に適したDTRベースの検出器であるStyle-Adaptive Detection TRansformer (SA-DETR)を提案する。
  論文  参考訳（メタデータ） (2025-04-29T07:38:37Z)
• Object Style Diffusion for Generalized Object Detection in Urban Scene [69.04189353993907]
  本稿では,GoDiffという新しい単一ドメインオブジェクト検出一般化手法を提案する。 擬似ターゲットドメインデータとソースドメインデータを統合することで、トレーニングデータセットを多様化する。 実験により,本手法は既存の検出器の一般化能力を高めるだけでなく,他の単一領域一般化手法のプラグ・アンド・プレイ拡張として機能することが示された。
  論文  参考訳（メタデータ） (2024-12-18T13:03:00Z)
• DATR: Unsupervised Domain Adaptive Detection Transformer with Dataset-Level Adaptation and Prototypical Alignment [7.768332621617199]
  我々は、オブジェクト検出の教師なし領域適応のために、ドメイン適応検出TRansformer(DATR)と呼ばれる強力なDETRベースの検出器を導入する。 提案するDATRは,教師モデルによって生成された擬似ラベルを用いて,平均教師に基づく自己学習フレームワークを組み込んで,ドメインバイアスをさらに緩和する。 複数のドメイン適応シナリオにおいて,提案したDATRの性能と一般化性を示す実験を行った。
  論文  参考訳（メタデータ） (2024-05-20T03:48:45Z)
• DACAD: Domain Adaptation Contrastive Learning for Anomaly Detection in Multivariate Time Series [83.76994646443498]
  時系列異常検出では、ラベル付きデータの不足が正確なモデルの開発に困難をもたらす。 時系列における異常検出のための新しいドメインコントラスト学習モデル(DACAD)を提案する。 本モデルでは,ソース領域に対する教師付きコントラスト損失と,ターゲット領域に対する自己監督型コントラスト型3重項損失を用いる。
  論文  参考訳（メタデータ） (2024-04-17T11:20:14Z)
• Towards Online Domain Adaptive Object Detection [79.89082006155135]
  既存のオブジェクト検出モデルは、トレーニングデータとテストデータの両方が同じソースドメインからサンプリングされていると仮定します。 オンライン設定における対象領域の一般化を適応・改善する新しい統合適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-11T17:47:22Z)
• Adversarial Unsupervised Domain Adaptation Guided with Deep Clustering for Face Presentation Attack Detection [0.8701566919381223]
  顔提示攻撃検知(PAD)は顔認識システムを確保するために注目されている。 PAD一般化能力を改善するために,ドメイン適応(DA)に基づくエンドツーエンド学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-13T05:34:40Z)

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。