論文の概要: Towards Generalist Graph-Level Anomaly Detection

• arxiv url: http://arxiv.org/abs/2611.07706v1
• Date: Thu, 05 Nov 2026 09:26:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.635184
• Title: Towards Generalist Graph-Level Anomaly Detection
• Title（参考訳）: 一般グラフレベル異常検出に向けて
• Abstract要約: グラフレベルの異常検出(GLAD)は、多数派から大きく逸脱するグラフを特定することを目的としている。 既存のアプローチは主にデータセット固有のパラダイムに従っており、相当なドメイン内のデータとトレーニングコストを必要とする。 我々は,複数の領域にまたがる異常グラフを検出可能な単一統一モデルを学習するGenGLADを提案する。
• 参考スコア（独自算出の注目度）: 59.36099300879501
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph-level anomaly detection (GLAD) aims to identify graphs that deviate significantly from the majority. While recent advances have achieved competitive performance, existing approaches mainly follow a dataset-specific paradigm, requiring substantial in-domain data and training cost when applied to new application scenarios. This limits their scalability and practicality in real-world applications where labeled data is scarce and diverse domains are continuously emerging. In this paper, we investigate the problem of generalist GLAD, which seeks to learn a single unified model capable of detecting anomalous graphs across multiple domains with minimal supervision on the target data. This problem introduces key challenges, including learning transferable patterns from heterogeneous graph datasets and effective adaptation under limited supervision. To address these challenges, we propose GenGLAD, a generalist GLAD approach that leverages discriminative subgraph extraction as the core mechanism to learn transferable anomaly knowledge and enable efficient adaptation to new domains. Specifically, GenGLAD employs a graph neural network-based discriminative subgraph extraction model to learn the anomaly-discriminative substructures that distinguish anomalous and normal graphs across diverse domains. During the test-time adaptation phase, multi-dimensional discrepancies between the extracted subgraph and multi-level contextual information are calculated to characterize anomalies from multiple perspectives. For efficient adaptation, a lightweight scoring module is introduced to automatically decide the most informative signals, improving robustness against misleading patterns. Extensive experiments on diverse benchmark datasets demonstrate that the proposed approach achieves strong performance, superior generalization ability, and improved data efficiency compared to existing methods.
• Abstract（参考訳）: グラフレベルの異常検出(GLAD)は、多数派から大きく逸脱するグラフを特定することを目的としている。 最近の進歩は競争力のあるパフォーマンスを達成したが、既存のアプローチは主にデータセット固有のパラダイムに従っており、新しいアプリケーションシナリオに適用する場合、ドメイン内のかなりのデータとトレーニングコストが必要になる。 これにより、ラベル付きデータが不足し、さまざまなドメインが継続的に出現する現実世界のアプリケーションにおいて、スケーラビリティと実用性が制限されます。 本稿では,複数の領域にまたがる異常グラフを,対象データに対する最小限の監視で検出できる単一統一モデルを学習する一般GLADの問題点を考察する。 この問題は、異種グラフデータセットからの転送可能なパターンの学習や、限られた監督下での効果的な適応など、重要な課題を提起する。 これらの課題に対処するために、我々は、識別的部分グラフ抽出をコアメカニズムとして活用し、転送可能な異常知識を学習し、新しいドメインへの効率的な適応を可能にする汎用的なGLADアプローチであるGenGLADを提案する。 具体的には、GenGLADは、グラフニューラルネットワークに基づく識別サブグラフ抽出モデルを使用して、さまざまな領域にわたる異常グラフと正常グラフを区別する異常識別サブ構造を学習する。 テスト時間適応フェーズでは,抽出したサブグラフと複数レベルのコンテキスト情報との多次元的不一致を計算し,複数の視点から異常を特徴づける。 効率的な適応のために、最も情報性の高い信号を自動的に決定する軽量なスコアリングモジュールを導入し、誤解を招くパターンに対する堅牢性を向上させる。 多様なベンチマークデータセットに対する大規模な実験により,提案手法は既存の手法と比較して高い性能,優れた一般化能力,データ効率の向上を実現している。

関連論文リスト

• OWLEYE: Zero-Shot Learner for Cross-Domain Graph Data Anomaly Detection [48.77471686671269]
  OWLEYEは、複数のグラフから正常な振る舞いの伝達可能なパターンを学習する新しいフレームワークである。 OWLEYEは最先端のベースラインに比べて性能と一般化性が優れていることを示す。
  論文  参考訳（メタデータ） (2026-01-27T02:08:18Z)
• 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)
• 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)
• 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。