論文の概要: One Pretrained Decision Model Is Enough for Training-Free Generalist Graph Anomaly Detection

• arxiv url: http://arxiv.org/abs/2610.30777v1
• Date: Thu, 22 Oct 2026 05:56:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.228436
• Title: One Pretrained Decision Model Is Enough for Training-Free Generalist Graph Anomaly Detection
• Title（参考訳）: 事前訓練された1つの決定モデルは、訓練不要な一般グラフ異常検出に十分である
• Abstract要約: Jev-GADは、トレーニング不要な一般グラフ異常検出フレームワークである。 不均一な数値的な証拠と事前訓練された決定機構を橋渡しする。 平均AUROCスコアは89.18%、AUPRCスコアは52.40%である。
• 参考スコア（独自算出の注目度）: 29.847725500771915
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph anomaly detection (GAD) aims to identify irregular entities in graph-structured data, yet heterogeneous anomaly patterns and distributional differences across graphs challenge generalizable detection. Existing training-free approaches avoid task-specific optimization but primarily rely on predefined numerical scoring rules, leaving the semantic interpretation of heterogeneous anomaly evidence largely unexplored. In this paper, we propose Jev-GAD, a training-free generalist graph anomaly detection framework that bridges heterogeneous numerical evidence and pretrained decision mechanisms. To address heterogeneous anomaly patterns, we construct complementary structural, attribute, and neighborhood evidence and transform heterogeneous statistics into graph-relative anomaly percentiles. To move beyond predefined numerical scoring rules, we leverage a single frozen pretrained language model for evidence-conditioned anomaly assessment. To bridge the semantic gap between numerical evidence and pretrained models, we design a semantic Graph-to-State (G2S) transformation that organizes graph context and semantically labeled node evidence into structured decision states for non-generative option-logit readout. The resulting decision scores are integrated with four complementary statistical scores through equal-weight rank-based fusion, without GAD-specific gradient-based optimization. Extensive experiments on seven graph anomaly detection benchmarks spanning citation, social, and co-review networks demonstrate the effectiveness of Jev-GAD, achieving average AUROC and AUPRC scores of 89.18\% and 52.40\%, respectively. Further analyses validate the contributions of pretrained decision readout and semantic evidence grounding.
• Abstract（参考訳）: グラフ異常検出(GAD)は、グラフ構造データ中の不規則なエンティティを特定することを目的としているが、不均一な異常パターンとグラフ間の分布差は、一般化可能な検出に挑戦する。 既存の訓練のないアプローチはタスク固有の最適化を回避しているが、主にあらかじめ定義された数値スコアリングルールに依存しており、異種異常な証拠の意味的な解釈はほとんど探索されていない。 本稿では,不均一な数値証拠と事前学習決定機構を橋渡しする,訓練不要な一般グラフ異常検出フレームワークであるJev-GADを提案する。 不均一な異常パターンに対処するため、相補的な構造、属性、近傍の証拠を構築し、異種統計をグラフ関連異常パーセンタイルに変換する。 事前定義された数値スコアリングルールを超えるために,1つの凍結事前学習言語モデルをエビデンス条件の異常評価に活用する。 数値的エビデンスと事前学習モデルとのセマンティックなギャップを埋めるために,グラフコンテキストと意味的にラベル付けされたノードエビデンスを非生成的オプションログ読み出しのための構造化決定状態に変換するセマンティックグラフ・ツー・ステート(G2S)変換を設計する。 結果として得られる決定スコアは、GAD固有の勾配に基づく最適化を使わずに、等級ベースの融合を通じて4つの相補的な統計スコアと統合される。 引用、ソーシャル、コレビューネットワークにまたがる7つのグラフ異常検出ベンチマークに関する大規模な実験は、平均的なAUROCとAUPRCスコアが89.18\%、52.40\%に達するJev-GADの有効性を実証している。 さらに、事前訓練された意思決定の読み出しと意味的証拠の拠出の寄与を検証した。

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)
• 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)
• Out-of-Distribution Detection on Graphs: A Survey [58.47395497985277]
  グラフアウト・オブ・ディストリビューション(GOOD)検出は、トレーニング中に見られる分布から逸脱するグラフデータを特定することに焦点を当てる。 既存の手法を,拡張ベース,再構築ベース,情報伝達ベース,分類ベースという4つのタイプに分類する。 本稿では,グラフデータによるユニークな課題を浮き彫りにして,実践的応用と理論的基礎について論じる。
  論文  参考訳（メタデータ） (2025-02-12T04:07:12Z)
• UMGAD: Unsupervised Multiplex Graph Anomaly Detection [40.17829938834783]
  UMGADと呼ばれる新しい教師なし多重グラフ異常検出法を提案する。 我々はまず、多重異種グラフにおけるノード間の多重相関関係を学習する。 そして、さらに異常情報を抽出するために、属性レベルおよびサブグラフレベルの拡張ビューグラフを生成する。
  論文  参考訳（メタデータ） (2024-11-19T15:15:45Z)
• Towards Self-Interpretable Graph-Level Anomaly Detection [73.1152604947837]
  グラフレベルの異常検出(GLAD)は、コレクションの大多数と比べて顕著な相違を示すグラフを識別することを目的としている。 本稿では,異常なグラフを検出し,同時に情報的説明を生成する自己解釈グラフaNomaly dETectionモデル(SIGNET)を提案する。
  論文  参考訳（メタデータ） (2023-10-25T10:10:07Z)
• From Unsupervised to Few-shot Graph Anomaly Detection: A Multi-scale Contrastive Learning Approach [26.973056364587766]
  グラフデータからの異常検出は、ソーシャルネットワーク、金融、eコマースなど、多くのアプリケーションにおいて重要なデータマイニングタスクである。 マルチスケールcONtrastive lEarning(略してANEMONE)を用いた新しいフレームワーク, graph Anomaly dEtection フレームワークを提案する。 グラフニューラルネットワークをバックボーンとして、複数のグラフスケール(ビュー)から情報をエンコードすることで、グラフ内のノードのより良い表現を学習する。
  論文  参考訳（メタデータ） (2022-02-11T09:45:11Z)

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。