핵심 개념
グラフ異常検出は、グラフデータ内の異常なグラフインスタンス(ノード、エッジ、サブグラフ、グラフ)を特定することを目的とする。近年、グラフニューラルネットワーク(GNN)を用いた深層学習アプローチが、グラフ構造や属性情報を効果的にモデル化できるため、グラフ異常検出の有望なパラダイムとなっている。
초록
本論文は、深層学習を用いたグラフ異常検出(GAD)手法に関する包括的なレビューを提供する。まず、GADの問題複雑性とそれに伴う固有の課題について議論する。次に、3つの新しい視点、すなわちGNNのバックボーン設計、GADのプロキシタスク設計、グラフ異常尺度、から現在のGAD手法を体系的に整理する。さらに、これらの3つの視点に基づいて13の細分化されたカテゴリに分類し、各手法の着眼点、仮定、学習目的、長所短所を詳細に分析する。また、GAD手法の実験と検証を支援するため、広く使用されているデータセットと、これらのデータセットに対する実証的な性能比較も提供する。最後に、GADにおける重要な未解決の研究課題について議論し、今後の研究の方向性を示唆する。
통계
グラフデータは、ノード、エッジ、サブグラフ、グラフなどの異常なインスタンスを含む可能性がある。
異常なグラフインスタンスは、属性、構造、属性と構造の組み合わせなど、多様な形態で現れる可能性がある。
正常なグラフインスタンスの数は異常なインスタンスに比べて大幅に多い傾向にある。
인용구
"グラフ異常検出(GAD)は、グラフデータ内の異常なグラフインスタンス(ノード、エッジ、サブグラフ、グラフ)を特定することを目的とする。"
"近年、グラフニューラルネットワーク(GNN)を用いた深層学習アプローチが、グラフ構造や属性情報を効果的にモデル化できるため、グラフ異常検出の有望なパラダイムとなっている。"
"異常なグラフインスタンスは、属性、構造、属性と構造の組み合わせなど、多様な形態で現れる可能性がある。"