論文の概要: Feature Transformation Enhanced Jacobi Polynomial Graph Filtering for Graph Anomaly Detection

• arxiv url: http://arxiv.org/abs/2608.27144v1
• Date: Thu, 27 Aug 2026 13:57:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.434898
• Title: Feature Transformation Enhanced Jacobi Polynomial Graph Filtering for Graph Anomaly Detection
• Title（参考訳）: グラフ異常検出のための特徴変換強化ヤコビ多項式グラフフィルタ
• Abstract要約: 周波数領域フィルタリングに基づくグラフ異常検出(GAD)は有望な結果を得た。 既存のアプローチは3つの大きな課題に直面している。 第二に、ノード特徴ベクトルにおける各属性の重要性情報を適切に考慮することができない。 第3に、GADのノードラベルを利用することで、きめ細かい情報が失われる。
• 参考スコア（独自算出の注目度）: 17.594530405168445
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, graph anomaly detection (GAD) based on frequency-domain filtering have achieved promising results. However, existing approaches still face three major challenges: First, they use static basic function to constructed graph filter which cannot effectively adapt to the frequency-domain distribution of graph data. Second, they fail to adequately consider the importance information of each attribute in the node feature vector, leading to the loss of fine-grained information. Third, they insufficiently utilize node labels for GAD. To address these issues, this paper proposes a novel graph anomaly detection method called JPGFN (Feature Transformation Enhanced Jacobi Polynomial Graph Filtering Network). First, a Feature Separation Transformation Network (FSTNN) is developed to better learn fine-grained node features by feature separation and applying nonlinear transformations to node features across different dimensions. Second, an adaptive Jacobi polynomial graph filtering module is constructed based on Jacobi polynomials to adaptively capture complex frequency-domain features of graph signals. Finally, a node label constraint module is developed to facilitate the use of node labels and enhance the performance of GAD. Experimental results on multiple real-world datasets demonstrate that the proposed method significantly outperforms mainstream approaches.
• Abstract（参考訳）: 近年,周波数領域フィルタリングに基づくグラフ異常検出(GAD)が有望な成果を上げている。 しかし、既存のアプローチは以下の3つの大きな課題に直面している。 まず、グラフデータの周波数領域分布に効果的に適応できないグラフフィルタを構築するために静的基本関数を使用する。 第二に、ノード特徴ベクトルにおける各属性の重要性を適切に考慮することができないため、きめ細かい情報が失われる。 第3に、GADのノードラベルを不十分に活用する。 本稿では,JPGFN (Feature Transformation Enhanced Jacobi Polynomial Graph Filtering Network) と呼ばれる新しいグラフ異常検出手法を提案する。 まず、特徴分離変換ネットワーク(FSTNN)を開発し、特徴分離と異なる次元のノード特徴への非線形変換を適用することにより、細粒度ノード特徴をよりよく学習する。 第2に、適応的ヤコビ多項式グラフフィルタリングモジュールがヤコビ多項式に基づいて構築され、グラフ信号の複雑な周波数領域の特徴を適応的に捉える。 最後に、ノードラベル制約モジュールを開発し、ノードラベルの使用を容易にし、GADの性能を高める。 複数の実世界のデータセットに対する実験結果から,提案手法が主流の手法よりも優れていることが示された。

関連論文リスト

• Generative Diffusion Models of Stochastic Graph Signals [74.4097723209053]
  本稿では,条件付きグラフ信号生成モデルの問題に取り組み,単一の拡散フレームワークを用いてそれらに取り組む。 グラフトポロジとノード機能側情報に基づいて直接条件付きグラフ信号を描画するグラフニューラルネットワーク(GNN)によりパラメータ化された逆拡散過程を学習する。 本稿では,株価予測と最適無線リソース割り当てという2つの生成課題について,両領域で広範囲に数値計算を行った。
  論文  参考訳（メタデータ） (2026-07-07T22:02:13Z)
• Graph-Based Fraud Detection with Dual-Path Graph Filtering [52.459703746017624]
  グラフデータの不正検出には、異なるタイプのノードを区別する必要がある。 本稿では,デュアルパスグラフフィルタを用いたグラフベースフラッド検出モデルを提案する。 4つの実世界の金融不正検出データセットの実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2026-04-14T20:46:36Z)
• Partition-wise Graph Filtering: A Unified Perspective Through the Lens of Graph Coarsening [15.198274855557132]
  本稿ではCPF(Coarsening-guided Partition-wise Filtering)を紹介する。 CPFはノード分割でフィルタリングを実行することで革新する。 CPFの各相について詳細な解析を行い、他のパラダイムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-05-20T07:30:45Z)
• Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
  本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。 提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
  論文  参考訳（メタデータ） (2024-01-12T17:57:07Z)
• 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)
• Adaptive Filters in Graph Convolutional Neural Networks [0.0]
  グラフニューラルネットワーク(GNN)は,グラフ構造化データ処理の可能性から注目されている。 本稿では,グラフ上で空間畳み込みを行う手法を提案する入力に対して,ConvGNNの振る舞いを適応させる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-05-21T14:36:39Z)
• Graph Neural Networks with Adaptive Frequency Response Filter [55.626174910206046]
  適応周波数応答フィルタを用いたグラフニューラルネットワークフレームワークAdaGNNを開発した。 提案手法の有効性を,様々なベンチマークデータセット上で実証的に検証した。
  論文  参考訳（メタデータ） (2021-04-26T19:31:21Z)
• Pseudoinverse Graph Convolutional Networks: Fast Filters Tailored for Large Eigengaps of Dense Graphs and Hypergraphs [0.0]
  Graph Convolutional Networks (GCNs) は、グラフベースのデータセットで半教師付き分類を行うツールとして成功している。 本稿では,三部フィルタ空間が高密度グラフを対象とする新しいGCN変種を提案する。
  論文  参考訳（メタデータ） (2020-08-03T08:48:41Z)
• Adaptive Graph Encoder for Attributed Graph Embedding [36.06427854846497]
  分散グラフ埋め込みは、グラフトポロジとノード特徴からベクトル表現を学ぶ。 本稿では,新しい属性グラフ埋め込みフレームワークであるAdaptive Graph(AGE)を提案する。 4つの公開ベンチマークデータセットを用いてノードクラスタリングとリンク予測タスクのAGEを検証する実験を行った。
  論文  参考訳（メタデータ） (2020-07-03T10:20:34Z)
• 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。