論文の概要: DynGraphAgentBench: A Benchmark for Agentic Lifecycle Control in Dynamic Graph Anomaly Detection

• arxiv url: http://arxiv.org/abs/2609.33980v1
• Date: Sun, 27 Sep 2026 22:20:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-04 08:08:17.343777
• Title: DynGraphAgentBench: A Benchmark for Agentic Lifecycle Control in Dynamic Graph Anomaly Detection
• Title（参考訳）: DynGraphAgentBench:動的グラフ異常検出におけるエージェントライフサイクル制御ベンチマーク
• Abstract要約: 遅延フィードバック下でのエージェントライフサイクル制御のためのベンチマークであるDynGraphAgentBenchを紹介する。 ノードレベルとエッジレベルの異常タスクを備えた7つの時間グラフデータセット、11個の選択可能な検出器、データセット毎に8つの時系列配置ウィンドウで構成されている。 サンドボックスのエグゼキュータは、選択したアーキテクチャを成熟したデータでトレーニングし、隠れたデプロイメントウィンドウをスコアし、ワンウィンドウ遅延後に結果を解放する。
• 参考スコア（独自算出の注目度）: 45.8035994984478
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamic graph anomaly detection requires repeated decisions as graph structure and class prevalence drift, yet detector benchmarks usually score a fixed pipeline after current labels are known. We introduce DynGraphAgentBench, an executable benchmark for agentic lifecycle control under delayed feedback. It comprises seven temporal graph datasets with node- and edge-level anomaly tasks, eleven selectable detectors, and eight chronological deployment windows per dataset. In each window, a controller sees only time-causal aggregate context, registered model cards, and its own matured history. It must choose a detector before current-window training or candidate scores exist. A sandboxed executor trains the chosen architecture on mature data, scores a hidden deployment window, and releases the outcome after a one-window delay. A deterministic verifier checks decision timing, leakage guards, legal actions, training scope, and persisted artifacts. We measure detection utility with average precision and capture at fixed review depth, and characterize adaptation through model switches and compute. Complete eight-window trajectories from two primary controllers and a no-memory reference on four datasets, together with three additional controllers on three datasets, expose useful, costly, and ineffective reactions to delayed evidence without granting an exhaustive current-window oracle.
• Abstract（参考訳）: 動的グラフ異常検出は、グラフ構造やクラス頻度のドリフトとして繰り返し決定する必要があるが、検出器ベンチマークは通常、現在のラベルが知られると固定パイプラインをスコアする。 遅延フィードバック下でのエージェントライフサイクル制御のためのベンチマークであるDynGraphAgentBenchを紹介する。 ノードレベルとエッジレベルの異常タスクを備えた7つの時間グラフデータセット、11個の選択可能な検出器、データセット毎に8つの時系列配置ウィンドウで構成されている。 各ウィンドウでは、コントローラは時間的な集約コンテキスト、登録されたモデルカード、およびそれ自身の成熟した履歴のみを見ることができる。 現行のウィンドウトレーニングや候補スコアが存在する前に、検出器を選択する必要がある。 サンドボックスのエグゼキュータは、選択したアーキテクチャを成熟したデータでトレーニングし、隠れたデプロイメントウィンドウをスコアし、ワンウィンドウ遅延後に結果を解放する。 決定論的検証器は、決定タイミング、漏洩ガード、法的行為、訓練範囲、永続化されたアーティファクトをチェックする。 我々は,平均精度で検出ユーティリティを計測し,評価深度を一定に設定し,モデルスイッチと計算による適応性を特徴付ける。 2つのプライマリコントローラからの完全な8ウィンドウの軌跡と4つのデータセットへのメモリなし参照、さらに3つのデータセット上の3つのコントローラ、有用で費用対効果の低い非効率な反応を、網羅的なカレントウィンドウのオラクルを許さずに公開した。

関連論文リスト

• A First-Principles Evaluation of Graph-Based Network Intrusion Detection Systems [7.608784888435352]
  グラフベースのネットワーク侵入検知システム(GIDS)は、強力なベンチマーク検出指標を報告しているが、これらの指標はデプロイ可能性についてはほとんど確立していない。 我々は,9つの代表的なGIDSを調査し,その中の5つをGIDS-Eval内に再実装し,マッチしたプロトコルの下で4つのデータセット上で評価する。 我々は,同じフレームワーク上に構築されたエンコーダフリーコントロールであるGIDS-Liteを紹介した。
  論文  参考訳（メタデータ） (2026-09-10T22:38:09Z)
• VeriTrace: Human-Like Temporal Exploration Completes Agentic Action Space [4.069939236366667]
  大規模な言語モデルでは、Verilog RTLの自動生成が約束されているが、標準ベンチマークでは95%の精度で最先端のマルチエージェントシステムプラトーが実現されている。 We present VeriTrace, a multi-agent system that Inspector agent operate on a complete debugging action space。 VeriTrace は VerilogEval-V2 上で100% Pass@1 を達成する。
  論文  参考訳（メタデータ） (2026-08-03T21:00:58Z)
• An Agentic AI Pipeline for Appliance-Level Energy Anomaly Detection and LLM-Driven Recommendations [2.125640946320154]
  本稿では, 深部時系列予測, 変分異常検出, LLMに基づく推論を組み合わさって, 実用的なメンテナンスレコメンデーションを生成する, エンドツーエンドのエージェントパイプラインを提案する。 このシステムは、SSA(Singular Spectrum Analysis)とLSTM(Long Short-Term Memory)予測モデルを用いて、7つのオフィスアプライアンスを追跡する。 持続的および過渡的スパイク,予期せぬ停止,システム的事象を含む16シナリオベンチマークを用いて,予測モデル,アプライアンス固有のしきい値を有する異常検知器,LSM推論について検討した。
  論文  参考訳（メタデータ） (2026-06-26T14:15:51Z)
• Beyond Window-Based Detection: A Graph-Centric Framework for Discrete Log Anomaly Detection [35.817909860425026]
  離散ログ異常検出のためのグラフ中心のフレームワークであるTempoLogを提案する。 本手法は,事象レベルの異常検出における最先端性能を実現し,精度と効率の両面で既存手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-01-21T14:26:03Z)
• Spatial-Temporal Graph Enhanced DETR Towards Multi-Frame 3D Object Detection [54.041049052843604]
  STEMDは,多フレーム3Dオブジェクト検出のためのDETRのようなパラダイムを改良した,新しいエンドツーエンドフレームワークである。 まず、オブジェクト間の空間的相互作用と複雑な時間的依存をモデル化するために、空間的時間的グラフアテンションネットワークを導入する。 最後に、ネットワークが正のクエリと、ベストマッチしない他の非常に類似したクエリを区別することが課題となる。
  論文  参考訳（メタデータ） (2023-07-01T13:53:14Z)
• DEGAN: Time Series Anomaly Detection using Generative Adversarial Network Discriminators and Density Estimation [0.0]
  我々は,GANに基づく異常検出フレームワークDEGANを提案する。 これは、適切に構成された識別器(D)をスタンドアロンの異常予測器に訓練するための入力として、通常の時系列データにのみ依存する。
  論文  参考訳（メタデータ） (2022-10-05T04:32:12Z)
• DETReg: Unsupervised Pretraining with Region Priors for Object Detection [103.93533951746612]
  DETRegは、オブジェクト検出ネットワーク全体を事前トレーニングする、新しい自己教師型メソッドである。 事前トレーニング中、DETRegはオブジェクトのローカライゼーションを予測し、教師なしのリージョン提案ジェネレータからのローカライゼーションにマッチする。 対応する機能埋め込みと、自己教師付きイメージエンコーダからの埋め込みを同時に調整する。
  論文  参考訳（メタデータ） (2021-06-08T17:39:14Z)

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。