論文の概要: Is Real-World Training Data Necessary for Generalist Graph Anomaly Detection?

• arxiv url: http://arxiv.org/abs/2610.12167v1
• Date: Thu, 08 Oct 2026 15:41:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.123979
• Title: Is Real-World Training Data Necessary for Generalist Graph Anomaly Detection?
• Title（参考訳）: 一般グラフ異常検出には実世界トレーニングデータが必要か?
• Abstract要約: Generalist Graph Anomaly Detection (GAD) は、任意の未確認グラフ上の異常をリトレーニングや微調整なしで検出する基盤モデルを構築することを目的としている。 異常グラフの自動合成のための異常グラフ生成ツール AG-FORGE を提案する。 我々は、相補的トポロジカルおよびセマンティックな異常な証拠をキャプチャーする、トポロジカル・セマンティック・コーディネート・ジェネリストGADであるTS-GGADを開発した。
• 参考スコア（独自算出の注目度）: 92.98813735179185
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generalist graph anomaly detection (GAD) aims to build a foundation model that detects anomalies on arbitrary unseen graphs without retraining or fine-tuning. Sufficient data are essential for foundation model training, yet generalist GAD still faces a data shortage, as real-world anomalous graphs are scarce and costly to collect and annotate. To fill this gap, we propose AG-FORGE, an Anomalous Graph generation Forge for automatic synthesis of anomalous graphs, exploring the feasibility of synthetic data-driven training for generalist GAD. Empirically, we find that synthetic data can achieve performance comparable to real-world training, but fail to push the performance boundary further due to the limited capacity of existing methods. To further unlock model capacity as training data scale up, we develop TS-GGAD, a Topology-Semantic coordinated Generalist GAD that captures complementary topological and semantic anomaly evidence, together with a curriculum learning strategy tailored to large-scale synthetic training. Extensive experiments on 14 real-world datasets demonstrate that TS-GGAD, trained on data generated by AG-FORGE, significantly outperforms state-of-the-art methods.
• Abstract（参考訳）: Generalist Graph Anomaly Detection (GAD) は、任意の未確認グラフ上の異常をリトレーニングや微調整なしで検出する基盤モデルを構築することを目的としている。 基礎モデルのトレーニングには十分なデータが必要であるが、一般のGADは、実際の異常グラフの収集と注釈に費用がかからず、依然としてデータ不足に直面している。 このギャップを埋めるために,Anomalous Graph 生成ツール AG-FORGE を提案する。 実験により,実世界の学習に匹敵する性能が得られるが,既存の手法の限界により,性能境界をさらに推し進めることができないことがわかった。 トレーニングデータのスケールアップに伴うモデル能力のさらなるアンロックを目的として,大規模合成訓練に適したカリキュラム学習戦略とともに,相補的トポロジカルおよびセマンティックな異常な証拠を捉えるトポロジカル・セマンティック・コーディネート・ジェネリストGADを開発した。 AG-FORGEが生成したデータに基づいてトレーニングされたTS-GGADは、14の実世界のデータセットに対する大規模な実験により、最先端の手法を大幅に上回っている。

関連論文リスト

• Learning the Latent Structure: A Feature-Centric Approach to Graph Data Augmentation [49.81655636414316]
  実世界のグラフは、データ収集と観測上の制約のため、しばしば不完全である。 本稿では,明示的な構造モデリングを回避した特徴中心グラフデータ拡張フレームワークを提案する。 当社のアプローチであるSelfAugは、インダクティブ設定とコールドスタート設定の精度と効率の両方において、最先端の手法を一貫して上回ります。
  論文  参考訳（メタデータ） (2026-10-01T21:38:58Z)
• Position: Graph Condensation Needs a Reset -- Move Beyond Full-dataset Training and Model-Dependence [26.234880574328823]
  グラフの凝縮は、現在の形では、リセットが必要であると我々は主張する。 私たちは、フルデータセットのトレーニングとモデルに依存した設計を超えて移行することを呼びかけています。 我々は、凝縮の真の約束を果たすアプローチに向けて、分野を再編成することを目指している。
  論文  参考訳（メタデータ） (2026-05-17T07:08:22Z)
• FedCIGAR: A Personalized Reconstruction Approach for Federated Graph-level Anomaly Detection [51.473064583839296]
  クラスタ適応型GAted Reconstruction (FedCIGAR) を用いた新しいフェデレーショングラフレベルの異常検出手法を提案する。 具体的には、合成データを避けるために、正規グラフに基づいて訓練された再構成に基づくパラダイムを設計し、さらに、クライアント側ノードコントリビューションゲーティング機構とサーバ側スライディングウィンドウベースのクラスタリング戦略を導入し、データの不均一性に対処する。
  論文  参考訳（メタデータ） (2026-05-10T09:03:54Z)
• Correcting False Alarms from Unseen: Adapting Graph Anomaly Detectors at Test Time [60.341117019125214]
  グラフ異常検出(GAD)における未確認正規pattErnsの修正のための,軽量かつプラグアンドプレイなテスト時間適応フレームワークを提案する。 意味的混乱に対処するために、シフトしたデータと元のデータとをグラフ属性レベルで整合させるグラフ整合器を用いる。 10個の実世界のデータセットに対する大規模な実験により、TUNEは事前学習されたGADモデルの合成パターンと実際の見えない正常パターンの両方への一般化性を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-11-10T12:10:05Z)
• Towards Graph Foundation Models: Learning Generalities Across Graphs via Task-Trees [50.78679002846741]
  タスクツリーを用いたグラフのクロスタスク一般化のための新しい手法を提案する。 本稿では,グラフニューラルネットワーク(GNN)を多種多様なタスクツリー上で事前学習することにより,伝達可能な知識を誘導することを示す。 これにより、最小限の微調整で下流タスクに効率的に適応できる。
  論文  参考訳（メタデータ） (2024-12-21T02:07:43Z)
• Erase then Rectify: A Training-Free Parameter Editing Approach for Cost-Effective Graph Unlearning [17.85404473268992]
  グラフアンラーニングは、訓練されたグラフニューラルネットワーク(GNN)からノード、エッジ、属性の影響を排除することを目的としている。 既存のグラフアンラーニング技術は、しばしば残りのデータに対する追加のトレーニングを必要とし、かなりの計算コストをもたらす。 本稿では,2段階の学習自由アプローチであるETR(Erase then Rectify)を提案する。
  論文  参考訳（メタデータ） (2024-09-25T07:20:59Z)
• Addressing the Impact of Localized Training Data in Graph Neural Networks [0.0]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データから学習において顕著な成功を収めた。 本稿では,グラフの局所化部分集合に対するGNNのトレーニングの影響を評価することを目的とする。 本稿では,局所化学習データとグラフ推論との分散不一致を最小化する正規化手法を提案する。
  論文  参考訳（メタデータ） (2023-07-24T11:04:22Z)
• Robust Optimization as Data Augmentation for Large-scale Graphs [117.2376815614148]
  学習中に勾配に基づく逆方向摂動を伴うノード特徴を反復的に拡張するFLAG(Free Large-scale Adversarial Augmentation on Graphs)を提案する。 FLAGはグラフデータに対する汎用的なアプローチであり、ノード分類、リンク予測、グラフ分類タスクで普遍的に機能する。
  論文  参考訳（メタデータ） (2020-10-19T21:51:47Z)

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。