論文の概要: RINSE: Robust Target-Time Normality Estimation for Zero-Shot Graph Anomaly Detection

• arxiv url: http://arxiv.org/abs/2609.02497v1
• Date: Wed, 02 Sep 2026 12:03:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.325134
• Title: RINSE: Robust Target-Time Normality Estimation for Zero-Shot Graph Anomaly Detection
• Title（参考訳）: RINSE:ゼロショットグラフ異常検出のためのロバスト目標時間正規性推定
• Authors: Taufikur Rahman Fuad, Md Abrar Jahin, Amir Hussain,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 9.187714394723931
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Zero-shot graph anomaly detection seeks to deploy a detector trained on source graphs to unseen, unlabeled targets, yet domain shift can make source-derived notions of normality unreliable. We introduce RINSE (Robust Iterative Normality Self-Estimation), a gradient-free target-time framework that keeps the source-trained detector fixed while sequentially estimating target normality, representation calibration, and evidence reliability from the target graph. Its core idea is to identify a reliable subset of low-residual target nodes, use them to construct a trimmed target-aware normality model, and combine complementary anomaly evidence through reliability-gated rank fusion and encoder ensembling. Across eight unseen target graphs, RINSE achieves the highest average AUPRC among the evaluated methods under two separate preprocessing protocols, while block ablations and sensitivity analyses support the combined design. These results support robust target-time estimation as a practical approach to generalist graph anomaly detection without target labels, gradients, or per-target tuning.
• Abstract（参考訳）: ゼロショットグラフ異常検出(Zero-shot graph anomaly detection)は、ソースグラフでトレーニングされた検出器を、目に見えない、ラベル付けされていないターゲットに展開しようとするが、ドメインシフトは、ソース由来の正規性の概念を信頼できないものにすることができる。 RINSE(Robust Iterative Normality Self-Estimation)は、ターゲットグラフから目標の正規性、表現キャリブレーション、証拠信頼性を逐次推定しながら、ソーストレーニングされた検出器を固定する、勾配のない目標時間フレームワークである。 その中核となる考え方は、低残留ターゲットノードの信頼性サブセットを特定し、それをトリミングされたターゲット認識正規化モデルの構築に利用し、信頼性の高いランクの融合とエンコーダのアンサンブルを通じて補完的な異常な証拠を組み合わせることである。 RINSEは8つの未確認対象グラフに対して,2つのプリプロセッシングプロトコルによる評価手法のうち,最も高い平均AUPRCを達成し,ブロックの短縮と感度解析は複合設計をサポートする。 これらの結果は,目標ラベルや勾配,ターゲット単位のチューニングを伴わない汎用グラフ異常検出の実践的アプローチとして,ロバストな目標時間推定を支援する。

関連論文リスト

• Dual Spatial-Temporal Attribution: Architecture-Aligned Post-Hoc Explainability for Recurrent Graph Anomaly Detection [1.8899300124593645]
  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。
  論文  参考訳（メタデータ） (2026-08-12T15:58:27Z)
• Tailoring Strictly Proper Scoring Rules for Downstream Tasks: An Application to Causal Inference [48.78219918881965]
  本稿では,ダウンストリーム誤差メトリックの局所曲率をマッチングすることにより,タスク固有の厳密なスコアリングルールを導出するフレームワークを提案する。 これを平均処理効果 (ATE) 推定に適用し, 閉形式損失と対応する正準確率写像を導出する。
  論文  参考訳（メタデータ） (2026-06-02T08:41:25Z)
• Safe-Subspace Pseudo-Label Refinement for Source-Free Graph Domain Adaptation [41.958621280228634]
  ソースフリーグラフドメイン適応(SF-GDA)は、ソースグラフがもはやアクセスできないときに、未ラベルのターゲットグラフにソース学習グラフモデルを適用することを目的としている。 本稿では,SF-GDAを選択的擬似ラベル法の観点から検討する。 本稿では,ターゲットグラフのみにハードな擬似ラベル監視を適用する,ソースフリーなグラフ適応フレームワークであるSafeSubspace Pseudo-Label Refinement (S$2$PLR)を提案する。
  論文  参考訳（メタデータ） (2026-05-30T16:47:21Z)
• FedCIGAR: A Personalized Reconstruction Approach for Federated Graph-level Anomaly Detection [51.473064583839296]
  クラスタ適応型GAted Reconstruction (FedCIGAR) を用いた新しいフェデレーショングラフレベルの異常検出手法を提案する。 具体的には、合成データを避けるために、正規グラフに基づいて訓練された再構成に基づくパラダイムを設計し、さらに、クライアント側ノードコントリビューションゲーティング機構とサーバ側スライディングウィンドウベースのクラスタリング戦略を導入し、データの不均一性に対処する。
  論文  参考訳（メタデータ） (2026-05-10T09:03:54Z)
• 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)
• 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)
• Distributional Shift-Aware Off-Policy Interval Estimation: A Unified Error Quantification Framework [8.572441599469597]
  本研究では、無限水平マルコフ決定過程の文脈における高信頼オフ政治評価について検討する。 目的は、未知の行動ポリシーから事前に収集されたオフラインデータのみを用いて、対象の政策値に対する信頼区間(CI)を確立することである。 提案アルゴリズムは, 非線形関数近似設定においても, サンプル効率, 誤差ローバスト, 既知収束性を示す。
  論文  参考訳（メタデータ） (2023-09-23T06:35:44Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)

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。