論文の概要: Statistical Feature Augmentation for Anomaly Detection in Dynamic Graphs

• arxiv url: http://arxiv.org/abs/2609.02965v1
• Date: Wed, 02 Sep 2026 07:20:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:38.80689
• Title: Statistical Feature Augmentation for Anomaly Detection in Dynamic Graphs
• Title（参考訳）: 動的グラフにおける異常検出のための統計的特徴増強
• Abstract要約: 最先端のディープラーニングモデルは、特に短期的な行動相互作用の信号を学ぶのに苦労することが多い。 本稿では,行動相互作用統計を入力特徴空間に明示的にエンコードする統計的特徴拡張法を提案する。 実世界の3つのデータセットを対象とした異常検出タスクについて,提案手法の評価を行った。
• 参考スコア（独自算出の注目度）: 0.6967006044904097
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamic networks are being applied in many domains, from social media to logistics systems, each with their own set of special characteristics. A model employed on this type of data must capture the duality between temporal/structural and feature-based information. Yet state-of-the-art deep learning models often struggle to learn especially short-term behavioral interaction signals, such as sender intensity or interaction inertia, directly from raw event streams. To address this gap, we propose a statistical feature augmentation method that explicitly encodes behavioral interaction statistics into the input feature space. We evaluate our proposed method on an anomaly detection task across three real-world datasets (Reddit, Wikipedia, MOOC) and seven models spanning both continuous-time and discrete-time architectures. As a baseline, we apply the same models trained on the original embeddings. Our results show, that augmentation consistently improves detection performance. Beyond performance, the enriched input enables fine-grained post-hoc analysis of behavioral importance, since each statistic occupies a dedicated input dimension. In particular, this work showcases a promising approach for merging classical network analysis with deep learning.
• Abstract（参考訳）: 動的ネットワークは、ソーシャルメディアからロジスティクスシステムまで、様々な分野に適用されており、それぞれに固有の特徴がある。 このタイプのデータに使用されるモデルは、時間的/構造的な情報と特徴に基づく情報の双対性を捉える必要がある。 しかし、最先端のディープラーニングモデルは、生のイベントストリームから直接、送信者強度や相互作用慣性といった、特に短期的な行動的相互作用信号を学ぶのに苦労することが多い。 このギャップに対処するために,動作の相互作用統計を入力特徴空間に明示的にエンコードする統計的特徴拡張法を提案する。 提案手法は,実世界の3つのデータセット(Reddit,Wikipedia,MOOC)と連続時間および離散時間アーキテクチャにまたがる7つのモデル間の異常検出タスクについて評価した。 ベースラインとして、元の埋め込みに基づいてトレーニングされた同じモデルを適用します。 以上の結果から,拡張は検出性能を継続的に向上させることがわかった。 強化された入力は、それぞれの統計値が専用の入力次元を占めるため、行動の重要性の詳細なポストホック解析を可能にする。 特に、この研究は古典的ネットワーク分析とディープラーニングを融合するための有望なアプローチを示している。

関連論文リスト

• Dynamic Adaptive Parsing of Temporal and Cross-Variable Patterns for Network State Classification [9.007194066331452]
  DAPNetはMixture-of-Expertsアーキテクチャに基づくフレームワークである。 DAPNetは、周期解析、動的相互変数相関モデリング、ハイブリッド時間特徴抽出の3つの専門ネットワークを統合している。 アーキテクチャ設計の一般化性は、10のパブリックなUEAベンチマークデータセットで評価される。
  論文  参考訳（メタデータ） (2025-09-15T05:32:32Z)
• Explaining Categorical Feature Interactions Using Graph Covariance and LLMs [18.44675735926458]
  本稿では,Counter Trafficking Data Collaborativeからのグローバルな合成データセットに焦点を当てる。 2002年から2022年にかけて20,000件以上の匿名化された記録があり、それぞれのレコードに多くの分類学的特徴がある。 本稿では,重要な分類的特徴の相互作用を分析し,抽出するための高速でスケーラブルな手法を提案する。
  論文  参考訳（メタデータ） (2025-01-24T21:41:26Z)
• TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
  TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。 提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。 我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
  論文  参考訳（メタデータ） (2024-01-06T06:26:49Z)
• Detection of Interacting Variables for Generalized Linear Models via Neural Networks [0.0]
  本稿では,一般化線形モデル(GLM)に付加されるべき相互作用を見つけるプロセスを自動化するアプローチを提案する。 提案手法はニューラルネットワークとモデル固有の相互作用検出法に依存しており,Friedman H-StatisticやSHAP値といった従来の手法よりも高速に計算することができる。 数値解析では,人工的に生成したデータとオープンソースデータに対するアプローチの結果について述べる。
  論文  参考訳（メタデータ） (2022-09-16T16:16:45Z)
• CHALLENGER: Training with Attribution Maps [63.736435657236505]
  ニューラルネットワークのトレーニングに属性マップを利用すると、モデルの正規化が向上し、性能が向上することを示す。 特に、我々の汎用的なドメインに依存しないアプローチは、ビジョン、自然言語処理、時系列タスクにおける最先端の結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-05-30T13:34:46Z)
• Learning Self-Modulating Attention in Continuous Time Space with Applications to Sequential Recommendation [102.24108167002252]
  本稿では,複雑で非線形に進化する動的ユーザの嗜好をモデル化する,自己変調型注意ネットワークを提案する。 提案手法がトップNシーケンシャルなレコメンデーションタスクに与える影響を実証的に示すとともに,3つの大規模実世界のデータセットによる結果から,我々のモデルが最先端のパフォーマンスを達成できることを示す。
  論文  参考訳（メタデータ） (2022-03-30T03:54:11Z)
• Towards Open-World Feature Extrapolation: An Inductive Graph Learning Approach [80.8446673089281]
  グラフ表現と学習を伴う新しい学習パラダイムを提案する。 本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
  論文  参考訳（メタデータ） (2021-10-09T09:02:45Z)
• PSEUDo: Interactive Pattern Search in Multivariate Time Series with Locality-Sensitive Hashing and Relevance Feedback [3.347485580830609]
  PSEUDoは、マルチトラックシーケンシャルデータにおける視覚パターンを探索するための適応的機能学習技術である。 提案アルゴリズムは,サブ線形学習と推論時間を特徴とする。 我々は,PSEUDoの効率,精度,操縦性において優位性を示す。
  論文  参考訳（メタデータ） (2021-04-30T13:00:44Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
  イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。 基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
  論文  参考訳（メタデータ） (2020-02-21T23:10:50Z)

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。