論文の概要: GLASS: Graph-Language Alignment with Spherical Scoring for Transferable Graph-Level Anomaly Detection

• arxiv url: http://arxiv.org/abs/2609.05253v1
• Date: Fri, 04 Sep 2026 15:16:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:24.09866
• Title: GLASS: Graph-Language Alignment with Spherical Scoring for Transferable Graph-Level Anomaly Detection
• Title（参考訳）: GLASS:Spherical Scoringを用いたグラフレベル異常検出のためのグラフ言語アライメント
• Abstract要約: GLASSは構造対応のグラフエンコーダと命令対応のテキスト埋め込みを連携させて統一表現空間を構築する。 我々のフレームワークは、ローカル、グローバル、セマンティックグラフプロパティをコンパクトなGraph Descriptor Prompt(GraphDP)にシリアライズする。 スコアリングでは、アライメントされた超球面上の密度推定として異常検出を定式化する。
• 参考スコア（独自算出の注目度）: 37.05370485421858
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce GLASS, a framework for graph-level anomaly detection (GLAD) that achieves robust cross-domain transferability through graph-language alignment on the unit hypersphere. GLASS builds a unified representation space by aligning a structure-aware graph encoder with an instruction-aware text embedding via a multi-slice soft cosine objective. Our framework serializes local, global, and semantic graph properties into a compact Graph Descriptor Prompt (GraphDP), creating a text bridge that enables domain-agnostic anomaly scoring. By enforcing multi-scale consistency through Matryoshka representation slices, the model captures anomalous deviations at multiple levels of granularity. For scoring, we formulate anomaly detection as density estimation on the aligned hypersphere and introduce Spherical Multi-Modal Scoring (SMS), which instantiates von Mises-Fisher kernel density estimators in both graph and text embedding spaces. This probabilistic formulation recovers angular k-nearest-neighbor scoring as a high-concentration limiting case and provides a principled fusion of structural and semantic anomaly signals. The shared text embedding space further serves as a cross-domain bridge: by encoding a target domain's GraphDP without target-domain training data, GLASS performs zero-shot anomaly detection, and with only a handful of normal examples, few-shot adaptation via reference-set calibration. Across twelve benchmarks and three meta-domains, GLASS obtains the best average AUROC and rank compared with recent advanced GLAD baselines and enables effective cross-domain transfer.
• Abstract（参考訳）: グラフレベルの異常検出(GLAD)のためのフレームワークであるGLASSを導入し、単位超球面上のグラフ言語アライメントを通じて、堅牢なクロスドメイン転送性を実現する。 GLASSは、構造対応グラフエンコーダと、マルチスライスソフトコサインの目的を通した命令対応テキスト埋め込みを整列することにより、統一された表現空間を構築する。 本フレームワークは,ローカル,グローバル,セマンティックグラフプロパティをコンパクトなGraph Descriptor Prompt (GraphDP) にシリアライズし,ドメインに依存しない異常スコアリングを可能にするテキストブリッジを作成する。 マルチスケールの一貫性をMatryoshka表現スライスによって強化することにより、モデルは複数のレベルの粒度で異常な偏差をキャプチャする。 スコアリングでは、アライメントされた超球面上での密度推定として異常検出を定式化し、フォン・ミセス=フィッシャー核密度推定器をグラフおよびテキスト埋め込み空間でインスタンス化するSpherical Multi-Modal Scoring (SMS)を導入する。 この確率的定式化は、高濃度制限ケースとして角 k-アネレスト近傍のスコアを復元し、構造的および意味的異常信号の原則的な融合を提供する。 対象ドメインのGraphDPを目標ドメインのトレーニングデータなしで符号化することにより、GLASSはゼロショット異常検出を行い、標準セットキャリブレーションによる少数ショット適応のごく一部の例でのみ、共有テキスト埋め込みスペースはクロスドメインブリッジとして機能する。 12のベンチマークと3つのメタドメインにまたがって、GLASSは最新のGLADベースラインと比較して、AUROCとランクの最高の平均値を取得し、効果的なクロスドメイン転送を可能にする。

関連論文リスト

• A Zero-shot Generalized Graph Anomaly Detection Framework via Node Reconstruction [1.878263777814554]
  クロスドメイングラフ異常検出(GAD)は、目に見えないターゲットグラフ内の異常ノードを識別することを目的としており、異種グラフデータを用いた実世界のアプリケーションに強い可能性を示す。 ゼロショット一般化グラフ異常検出フレームワークAlignGADを提案する。 我々のフレームワークは,異種ノードの特徴を整列し,スペクトル領域におけるグラフ信号の正規化を行うグローバル統一モジュール,クラスタ対応グラフビューを構築してグループレベルの異常パターンをキャプチャするクラスタリングモジュール,および異なるグラフビューから異常を再現し,異常な証拠を集約するノード異性度スコアリングモジュールという3つの重要なコンポーネントで構成されている。
  論文  参考訳（メタデータ） (2026-06-10T20:59:24Z)
• OWLEYE: Zero-Shot Learner for Cross-Domain Graph Data Anomaly Detection [48.77471686671269]
  OWLEYEは、複数のグラフから正常な振る舞いの伝達可能なパターンを学習する新しいフレームワークである。 OWLEYEは最先端のベースラインに比べて性能と一般化性が優れていることを示す。
  論文  参考訳（メタデータ） (2026-01-27T02:08:18Z)
• Graph Alignment via Dual-Pass Spectral Encoding and Latent Space Communication [31.43539830271355]
  本稿では,ノードの特異性を同時に強化し,潜在空間間の幾何的整合性を実現する新しいグラフアライメントフレームワークを提案する。 提案手法では,低域通過スペクトルフィルタと高域通過スペクトルフィルタを組み合わせたデュアルパスエンコーダを導入し,構造認識と高判別の両方が可能な埋め込みを生成する。
  論文  参考訳（メタデータ） (2025-09-11T16:36:16Z)
• Pave Your Own Path: Graph Gradual Domain Adaptation on Fused Gromov-Wasserstein Geodesics [59.07903030446756]
  グラフニューラルネットワークは、グラフ上の分散シフトに対して非常に脆弱である。 非IIDグラフデータのための最初のフレームワークであるGadgetを提示する。 ガジェットは既存のグラフDAメソッドとシームレスに統合して、グラフ上の大きなシフトを処理することができる。
  論文  参考訳（メタデータ） (2025-05-19T05:03:58Z)
• Kernel-Aware Graph Prompt Learning for Few-Shot Anomaly Detection [28.305370451520876]
  Few-shot Anomaly Detection (FSAD) は、同じクラスからのごく少数の正規サポート画像のガイダンスを用いて、見えない異常領域を検出することを目的としている。 本稿では,KAG-promptと呼ばれるカーネル対応グラフプロンプト学習フレームワークを提案する。 MVTecADとVisAデータセットの実験は、KAG-promptが最先端のFSAD結果を達成することを示している。
  論文  参考訳（メタデータ） (2024-12-23T14:43:51Z)
• Mesh-based Super-Resolution of Fluid Flows with Multiscale Graph Neural Networks [0.0]
  メッシュベースの流体の3次元超解像を可能にするグラフニューラルネットワーク(GNN)アプローチが本研究で導入された。 このフレームワークでは、GNNは一度に完全なメッシュベースのフィールドでではなく、要素(またはセル)の局所的なメッシュで動くように設計されている。
  論文  参考訳（メタデータ） (2024-09-12T05:52:19Z)
• A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
  グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。 我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
  論文  参考訳（メタデータ） (2024-06-19T22:30:08Z)
• 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)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)

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。