論文の概要: FoundAna: A GNN-assisted Foundation Model for Graph Anomaly Detection

• arxiv url: http://arxiv.org/abs/2609.18107v1
• Date: Wed, 16 Sep 2026 04:24:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.632111
• Title: FoundAna: A GNN-assisted Foundation Model for Graph Anomaly Detection
• Title（参考訳）: FoundAna: グラフ異常検出のためのGNN支援基盤モデル
• Abstract要約: FoundAnaは、一般化可能なクロスグラフ異常検出のために指定された最初の基盤モデルフレームワークである。 FoundAnaは、異常検出固有のGNNコンポーネントと、4つの補完的な位置符号化で強化された標準トランスフォーマーエンコーダを統合する。 金融、社会、引用ネットワークドメインにまたがる9つのベンチマークデータセットの実験は、FoundAnaが一貫して最先端のベースラインを上回っていることを示している。
• 参考スコア（独自算出の注目度）: 8.288393358538755
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph anomaly detection aims to identify graph structures (e.g., nodes, edges, or subgraphs) that deviate significantly from expected patterns, which supports critical applications in fraud detection, spam identification, network intrusion, etc. Despite the growing methods in the field, existing approaches follow a one-model-per-dataset paradigm, limiting their transferability across diverse real-world scenarios due to task heterogeneity, label scarcity, and domain variability. In this work, we introduce FoundAna, a GNN-assisted Foundation Model for Graph Anomaly Detection - the first foundation model framework designated for generalizable, cross-graph anomaly detection by combining GNNs and transformers. FoundAna integrates an anomaly detection-specific GNN component with a standard transformer encoder augmented by four complementary positional encodings, which enable the model to capture both local and global structural information. Specifically, the positional encoding enriched node representations are passed through attribute and adjacency decoders, and the reconstruction errors serve as the anomaly score. Extensive experiments on nine benchmark datasets spanning financial, social, and citation network domains demonstrate that FoundAna consistently outperforms state-of-the-art baselines. The code implementation and Supplementary materials are here: https://github.com/FoundAna331/FoundAna.
• Abstract（参考訳）: グラフ異常検出は、不正検出、スパム識別、ネットワーク侵入などにおいて重要な応用をサポートする、期待されるパターンから大きく逸脱するグラフ構造(ノード、エッジ、サブグラフなど)を識別することを目的としている。 この分野におけるメソッドの増加にもかかわらず、既存のアプローチは、タスクの不均一性、ラベルの不足、ドメインの可変性などにより、さまざまな現実のシナリオ間での転送可能性を制限する、1モデル毎のデータセットパラダイムに従っている。 本稿では,GNNによるグラフ異常検出のための基礎モデルであるFoundAnaを紹介する。 FoundAnaは、異常検出固有のGNNコンポーネントを4つの補完的な位置符号化によって強化された標準トランスフォーマーエンコーダと統合し、モデルがローカルおよびグローバルな構造情報をキャプチャすることを可能にする。 具体的には、位置符号化されたノード表現を属性と隣接デコーダに渡すことで、再構成エラーが異常スコアとして機能する。 金融、社会、引用ネットワークドメインにまたがる9つのベンチマークデータセットに関する大規模な実験は、FoundAnaが一貫して最先端のベースラインを上回っていることを示している。 コードの実装と追加資料は以下のとおりである。

関連論文リスト

• Rethinking Feature Alignment in Generalist Graph Anomaly Detection: A Relational Fingerprint-based Approach [60.199985286210904]
  Generalist Graph Anomaly Detection (GAD)は、グラフ固有のリトレーニングなしで、見えないグラフ上の異常を検出することを目的としている。 既存のアプローチは主に、異なる機能セマンティクスを無視したドメイン間の異種データの整合性に焦点を当てている。 We propose Fingerprint-based generalist GAD approach (ReFi-GAD)。 ReFi-GADは14のデータセットの実験において,最先端の手法よりも有意に優れていることを示す。
  論文  参考訳（メタデータ） (2026-05-25T05:12:26Z)
• 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)
• 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)
• GAD-NR: Graph Anomaly Detection via Neighborhood Reconstruction [34.82023223790515]
  グラフオートエンコーダ(GAE)はグラフデータをノード表現にエンコードし、これらの表現に基づいてグラフの再構成品質を評価することで異常を識別する。 グラフ異常検出のための近傍再構成を組み込んだ新しいGAEであるGAD-NRを提案する。 6つの実世界のデータセットで実施された大規模な実験は、GAD-NRの有効性を検証し、最先端の競合相手よりも顕著な改善(AUCでは最大30%)を示す。
  論文  参考訳（メタデータ） (2023-06-02T23:23:34Z)
• Deep Graph-level Anomaly Detection by Glocal Knowledge Distillation [61.39364567221311]
  グラフレベルの異常検出(GAD)は、その構造やノードの特徴に異常なグラフを検出する問題を記述している。 GADの課題の1つは、局所的および大域的非正則グラフの検出を可能にするグラフ表現を考案することである。 本稿では,グラフとノード表現の連成ランダム蒸留により,グローバルおよびローカルな正規パターン情報を豊富に学習するGADのための新しい深部異常検出手法を提案する。
  論文  参考訳（メタデータ） (2021-12-19T05:04:53Z)
• 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。