RQPool: A Novel Multi-Branch Graph-Level Anomaly Detection
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Anomaly Detection (AD) is crucial across various domains,as it identifies irregularities or unusual patternsthat, if quickly addressed, can prevent financial and datalosses, protect health, and prevent disasters. Many systemssuch as social networks, communication systems,and biological networks are naturally represented asgraphs with entities as nodes and interactions as edges.By analyzing these structures, we can uncover anomaliesthat are not apparent using traditional methods.However, current Graph-based AD techniques face significantchallenges, particularly low accuracy on largerdatasets. As datasets grow larger, the complexity ofthe graphs increases. This complexity makes it morechallenging for models to distinguish normal variationsfrom true anomalies. Moreover, existing Graph NeuralNetwork (GNN) algorithms focus primarily on spatialdomain features while neglecting spectral properties.Furthermore, most algorithms concentrate on intra-graphproperties such as edges and nodes, while overlookingrich global inter-graph relationships like GraphSimilarity Measures and Cross-Graph Connectivity. Toaddress these challenges, we propose a novel hybridmethod, RQPool, which integrates intra-graph spectralproperties and inter-graph spatial properties intoa unified Graph-level Anomaly Detection classifier. Inempirical evaluations across multiple datasets, RQPoolconsistently achieves higher AUC and macro-F1 scores compared topurely spectral or spatial baselines, the current state-of-the-art approaches, particularly excelling on large-scalegraphs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,004 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle