文献

J-GLOBAL ID：202202232574123194   整理番号：22A0930925

局所的知識蒸留による深層グラフレベル異常検出【JST・京大機械翻訳】

Deep Graph-level Anomaly Detection by Glocal Knowledge Distillation

著者 (4件)： Ma Rongrong (University of Technology Sydney, Sydney, NSW, Australia) ,  Pang Guansong (Singapore Management University, Singapore, Singapore) ,  Chen Ling (University of Technology Sydney, Sydney, NSW, Australia) ,  van den Hengel Anton (University of Adelaide, Adelaide, SA, Australia)
資料名： ACM Proceedings  (ACM Proceedings)
号： WSDM ’22  ページ： 704-714  発行年： 2022年 
JST資料番号： D0698C  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： グラフレベル異常検出(GAD)は,他のグラフと比較して,それらの構造および/またはそれらのノードの特徴において異常であるグラフを検出する問題を記述する。GADにおける課題の一つは,局所および大域的に異常グラフ,すなわち,それらの細粒(ノードレベル)または全体(グラフレベル)特性において異常であるグラフの両方の検出を可能にするグラフ表現を考案することである。この課題に取り組むために,グラフとノード表現の共同ランダム蒸留によって,豊富なグローバルでローカルな正常パターン情報を学習するGADのための新しい深い異常検出手法を導入した。ランダム蒸留は,ランダムに初期化したネットワーク重みを有する別のGNNを予測するために,1つのGNNを訓練することによって達成される。多様なドメインからの16の実世界グラフデータセットに関する広範な実験は,著者らのモデルが7つの最先端のモデルより著しく優れていることを示した。コードとデータセットはhttps://git.io/GLocalKDで利用可能である。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *グラフ ,  *検出 ,  表現 ,  ネットワーク ,  *蒸留 ,  構造 ,  ニューラルネットワーク ,  *異常 ,  深層 ,  機械学習
準シソーラス用語： 異常検出 ,  深層学習 ,  地域知識 , 【Automatic Indexing@JST】

著者キーワード (4件)： 深層学習 ,  グラフニューラルネットワーク ,  グラフレベル異常検出 ,  知識蒸留

分類 (2件)： 計算機網  (JC03000K) ,  グラフ理論基礎  (IA02020S)

タイトルに関連する用語 (5件)： 局所的知識 ,  蒸留 ,  深層 ,  グラフ ,  異常検出