論文の概要: RAD: Rule-Augmented Relational Anomaly Detection

• arxiv url: http://arxiv.org/abs/2608.23468v1
• Date: Mon, 24 Aug 2026 16:36:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:44.198556
• Title: RAD: Rule-Augmented Relational Anomaly Detection
• Title（参考訳）: RAD:ルール強化リレーショナル異常検出
• Abstract要約: 異常検出はリレーショナルデータベースに格納されたデータに適用されることが多い。 既存のほとんどのメソッドでは、複数のテーブルを単一の機能マトリックスにフラット化する必要があります。 ルール拡張型リレーショナル・アノマリー検出器RADを提案する。
• 参考スコア（独自算出の注目度）: 11.251069238986483
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomaly detection is often applied to data stored in relational databases, yet most existing methods require flattening multiple tables into a single feature matrix. This flattening can obscure entity identity, schema structure, and multi-hop dependencies, limiting the detection of anomalies that depend on relational context rather than isolated feature values. Beyond preserving relational structure, relational anomaly detection raises an additional challenge: how to incorporate symbolic behavioral evidence into learned relational representations. To address these challenges, we study relational anomaly detection, where the goal is to identify anomalous entities or events in a multi-table database. We propose RAD, a rule-augmented relational anomaly detector that combines heterogeneous graph representation learning with refined symbolic rule signals. RAD derives candidate rules from random-forest paths over flattened summaries of the entities or events being scored, refines them into compact interpretable predicates, injects the resulting rule features into the graph model, and learns anomaly scores using reconstruction-based and pairwise-ranking supervision. To evaluate this setting, we introduce a relational anomaly detection benchmark spanning three settings: LANL cybersecurity event detection and two unexpected user-churn anomaly tasks derived from Amazon and H&M relational databases. Experiments show that RAD improves anomaly ranking over flattened tabular detectors and relational baselines under natural class imbalance, achieving the best average rank on AUROC and AUPRC across the benchmark. Ablations show that direct rule injection and ranking-based supervision are key contributors to performance, while edge reconstruction is not uniformly beneficial. Our code and data are available at: https://github.com/noahd15/RAD_RelationalAnomalyDetection.
• Abstract（参考訳）: 異常検出はリレーショナルデータベースに格納されたデータに適用されることが多いが、既存のほとんどのメソッドでは、複数のテーブルを単一の特徴行列に平らにする必要がある。 このフラット化は、エンティティのアイデンティティ、スキーマ構造、マルチホップ依存を曖昧にし、分離された特徴値ではなくリレーショナルコンテキストに依存する異常の検出を制限します。 リレーショナルな構造を保存すること以外にも、リレーショナルな異常検出は、シンボリックな行動証拠を学習されたリレーショナルな表現に組み込む方法という、さらなる課題を提起する。 これらの課題に対処するために,マルチテーブルデータベースにおける異常なエンティティやイベントを特定することを目的として,リレーショナル異常検出について検討する。 我々は、不均一グラフ表現学習と洗練された記号規則信号を組み合わせた規則拡張型関係異常検出器RADを提案する。 RADは、スコア付けされるエンティティやイベントの平らな要約よりも、ランダムフォレストパスから候補ルールを導出し、それらをコンパクトな解釈可能な述語に洗練し、結果のルール特徴をグラフモデルに注入し、再構成ベースとペアワイズレベルの監視を用いて異常スコアを学習する。 この設定を評価するために、LANLサイバーセキュリティイベント検出と、AmazonとH&Mリレーショナルデータベースから派生した予期せぬ2つのユーザ時間異常タスクという、3つの設定にまたがるリレーショナル異常検出ベンチマークを導入する。 実験により、RADは平らな表状検出器と自然なクラス不均衡の下でのリレーショナルベースラインの異常ランキングを改善し、ベンチマーク全体でAUROCとAUPRCの平均ランクを達成した。 アブレーションは、直接ルール注入とランキングベースの監督がパフォーマンスの重要な貢献者であることを示しているが、エッジ再構築は均一に有用ではない。 私たちのコードとデータは、https://github.com/noahd15/RAD_RelationalAnomalyDetectionで公開されています。

関連論文リスト

• 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)
• Towards Anomaly Detection on Relational Data [51.473064583839296]
  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。
  論文  参考訳（メタデータ） (2026-06-17T02:36:32Z)
• 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)
• Hierarchical Reference Sets for Robust Unsupervised Detection of Scattered and Clustered Outliers [8.21087649188741]
  クラスタ化された外れ値は、局所密度が比較的高いため、通常の振る舞いと容易に間違えることができる。 本稿では,グラフ構造を用いた自然近傍関係を利用した新しい外乱検出パラダイムを提案する。 提案手法は, クラスタ化異常による干渉を伴わずに, 分散した外れ値の有効認識を可能にする。
  論文  参考訳（メタデータ） (2026-03-13T09:48:20Z)
• Multi-Agent Debate: A Unified Agentic Framework for Tabular Anomaly Detection [7.807411603618987]
  マルチエージェント議論フレームワーク(MAD)は、不一致を第一級信号として扱う。 MADは、大言語モデル(LLM)ベースの批評家によって強化された正規化された異常スコア、信頼性、構造化された証拠を生成する。 コンフォメーションキャリブレーションが議論されたスコアをラップして、交換可能性の下で偽陽性を制御する方法を示す。
  論文  参考訳（メタデータ） (2026-02-15T17:44:32Z)
• RPG-AE: Neuro-Symbolic Graph Autoencoders with Rare Pattern Mining for Provenance-Based Anomaly Detection [0.8373057326694192]
  本稿では,グラフオートエンコーダと稀なパターンマイニングを組み合わせた,ニューロシンボリックな異常検出フレームワークを提案する。 異常候補は、観測されたグラフ構造と再構成されたグラフ構造の間のずれによって同定される。 DARPAトランスペアレント・コンピューティング・データセットを用いて提案手法の評価を行い, 異常なパターンの増大が異常なランク付け品質において著しく向上することを示す。
  論文  参考訳（メタデータ） (2026-02-03T00:02:37Z)
• 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)
• 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)
• 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。