論文の概要: Graph Anomaly Detection as Finite-Horizon Control: Training-Free Scoring via Empirical Bayes

• arxiv url: http://arxiv.org/abs/2609.38424v1
• Date: Tue, 29 Sep 2026 19:15:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.633874
• Title: Graph Anomaly Detection as Finite-Horizon Control: Training-Free Scoring via Empirical Bayes
• Title（参考訳）: 有限水平制御としてのグラフ異常検出:経験的ベイズによる訓練不要スコーリング
• Abstract要約: ノードレベルのグラフ異常検出は、属性と相互作用がグラフの規則性から逸脱したノードを特定する。 本稿では,正規性をグラフ認識型一般化Ornstein-Uhlenbeck(GOU)緩和としてグラフフィルタテンプレートにモデル化する,学習自由フレームワークEB-GADを提案する。 4つの金融詐欺ネットワークであるYelpChiとAmazonのレビューグラフであるWeibo、Reddit、Facebookは21.7ポイントのマージンを持つ。
• 参考スコア（独自算出の注目度）: 39.94712386816259
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Node-level graph anomaly detection (GAD) identifies nodes whose attributes and interactions deviate from dominant graph regularities. Existing GAD models encode normality and anomaly scoring indirectly through architectures, message passing, reconstruction or contrastive objectives, and tuned score families. This entangles graph trust (how strongly graph structure should define normality), graph-spectral weighting, and anomaly-score choice, yielding scores that are costly, opaque, and unstable across graph regimes. We propose EB-GAD (Empirical-Bayes GAD), a training-free framework that models normality as graph-aware generalized Ornstein-Uhlenbeck (GOU) relaxation toward a graph-filtered template. Empirical Bayes fits the graph precision from the residual-field likelihood; the GOU then turns scoring into a closed-form finite-horizon control energy, the minimum effort to steer a feature-neutral node to its observed endpoint along graph-spectral relaxation. Sweeping relaxation horizon and endpoint tolerance yields a bank of scores that share one fitted prior: equilibrium Mahalanobis scoring is one limit, while finite-horizon control-energy and scale-normalized ratio scores reveal anomalies that static equilibrium scoring can mask. A label-free selector chooses the score family from feature homophily, edge density, and feature dimension, then ranks candidates by fitted-null deviation and rank stability. On 11 benchmarks and without labels at any step, EB-GAD has the best or tied-best AUROC on 9: the four financial fraud networks (up to 3.7M nodes), the YelpChi and Amazon review graphs, Weibo, Reddit and Facebook, with margins of up to 21.7 points. It is second on BlogCatalog and ACM.
• Abstract（参考訳）: ノードレベルのグラフ異常検出(GAD)は、属性と相互作用が支配的なグラフ規則性から逸脱したノードを特定する。 既存のGADモデルは、アーキテクチャ、メッセージパッシング、再構築またはコントラスト目的、チューニングされたスコアファミリーを通じて間接的に正規性と異常スコアを符号化する。 この絡み合いはグラフ信頼(グラフ構造が如何に正規性を定義するべきか)、グラフスペクトル重み付け、異常スコアの選択をし、グラフ体制全体にわたって高価で不透明で不安定なスコアを得る。 EB-GAD(Empirical-Bayes GAD)は、正規性をグラフ対応の一般化Ornstein-Uhlenbeck(GOU)緩和としてグラフフィルタリングテンプレートにモデル化する学習自由フレームワークである。 実験ベイズは残留場確率からグラフの精度に適合し、GOUはスコアを閉形式有限水平制御エネルギーに変え、グラフ-スペクトル緩和に沿って観測された終点に特徴ニュートラルノードを操る最小の努力を行う。 平衡マハラノビススコアは1つの極限であり、有限水平制御エネルギーとスケール正規化比スコアは静的平衡スコアがマスクできる異常を示す。 ラベルフリーセレクタは、特徴ホモフィリー、エッジ密度、特徴次元からスコアファミリを選択し、次に、入値偏差とランク安定性により候補をランク付けする。 11のベンチマークとラベルなしで、EB-GADは9つの金融詐欺ネットワーク(最大3.7億ノード)、YelpChiとAmazonのレビューグラフ、Weibo、Reddit、Facebookの計21.7ポイントというベストまたはベストのAUROCを持っている。 BlogCatalogとACMで2位。

関連論文リスト

• 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)
• WATS: Calibrating Graph Neural Networks with Wavelet-Aware Temperature Scaling [43.23012871829196]
  グラフウェーブレットの特徴に基づいてノード固有の温度を割り当てるポストホックキャリブレーションフレームワークであるWavelet-Aware Temperature Scaling (WATS)を提案する。 WATSはグラフウェーブレットのスケーラビリティとトポロジ的感度を利用して信頼性の推定を洗練させる。
  論文  参考訳（メタデータ） (2025-06-30T12:23:57Z)
• AnomalyGFM: Graph Foundation Model for Zero/Few-shot Anomaly Detection [22.584555292512427]
  AnomalyGFMは、GADのためのゼロショット推論と少数ショットプロンプトチューニングをサポートするグラフ基盤モデルである。 AnomalyGFMは、ゼロショットと少数ショットのGAD設定の両方で、最先端の競合手法よりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2025-02-13T12:10:05Z)
• ADA-GAD: Anomaly-Denoised Autoencoders for Graph Anomaly Detection [84.0718034981805]
  我々はAnomaly-Denoized Autoencoders for Graph Anomaly Detection (ADA-GAD)という新しいフレームワークを導入する。 第1段階では,異常レベルを低減したグラフを生成する学習自由な異常化拡張法を設計する。 次の段階では、デコーダは元のグラフで検出するために再訓練される。
  論文  参考訳（メタデータ） (2023-12-22T09:02:01Z)
• 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)
• Graph Signal Sampling for Inductive One-Bit Matrix Completion: a Closed-form Solution [112.3443939502313]
  グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。 キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。 オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
  論文  参考訳（メタデータ） (2023-02-08T08:17:43Z)
• 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)

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。