PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2505.18934v3cs.LG공식 코드 · Papers with Code

이종 그래프 이상 탐지를 위한 카이제곱 웨이블릿 그래프 신경망

Chi-Square Wavelet Graph Neural Networks for Heterogeneous Graph Anomaly Detection

이종 네트워크에서의 그래프 이상 탐지(GAD)는 노드 및 엣지 이종성으로 인해 고유한 과제를 제시한다. 기존 그래프 신경망(GNN) 방법은 주로 동종 GAD에 초점을 맞추므로 다음 세 가지 핵심 문제를 해결하지 못한다: (C1) 다양한 메타패스(meta-path) 전반에 걸친 비정상 신호와 풍부한 의미론 포착; (C2) 이종 정보 네트워크(HIN) 차원 정렬에서 고주파(high-frequency) 내용 보존; (C3) 클래스 불균형(class imbalance) 하에서 어려운 이상 샘플로부터 효과적으로 학습. 이를 극복하기 위해, 우리는 다양한 도메인에서 웨이블릿의 효과에서 영감을 받은 새로운 카이제곱 필터를 기반으로 한 스펙트럴 GNN 프레임워크인 ChiGAD를 제안한다. 구체적으로 ChiGAD는 (1) 다중 그래프 카이제곱 필터(Multi-Graph Chi-Square Filter)로, 각 메타패스 그래프에 전용 카이제곱 필터를 적용하여 이상 정보를 포착하고; (2) 상호작용형 메타-그래프 합성곱(Interactive Meta-Graph Convolution)으로, 고주파 정보를 보존하면서 특징을 정렬하고 통합 카이제곱 필터로 이종 메시지를 통합하며; (3) 기여도 기반 교차 엔트로피 손실(Contribution-Informed Cross-Entropy Loss)로, 클래스 불균형을 해결하기 위해 어려운 이상을 우선시한다. 공개 및 산업 데이터셋에 대한 광범위한 실험 결과, ChiGAD는 여러 지표에서 최신(state-of-the-art) 모델을 능가한다. 또한 동종 변형인 ChiGNN은 7개 GAD 데이터셋에서 우수한 성능을 보여 카이제곱 필터의 효과를 검증한다. 코드는 https://github.com/HsipingLi/ChiGAD 에서 이용할 수 있다.

arXiv:2410.06665v4cs.LG공식 코드 · Papers with Code

기약 표현의 관점에서 재조명한 다중 치환 등변성

Revisiting Multi-Permutation Equivariance through the Lens of Irreducible Representations

본 논문은 치환 및 관련 군(group)의 표현에 대한 등변(equivariant) 선형 레이어의 특성화를 탐구합니다. 매개변수 공유(parameter-sharing)를 통해 이러한 문제를 다루는 전통적인 접근법과 달리, 본 연구에서는 기약 표현(irreducible representation)과 슈어의 보조정리(Schur's lemma)에 기반한 대안적 방법론을 고려합니다. 이 방법론을 사용하여 DeepSets, 2-IGN 그래프 등변 네트워크, 딥 가중치 공간(DWS, Deep Weight Space) 네트워크와 같은 기존 모델에 대한 대안적 유도를 도출합니다. DWS 네트워크에 대한 유도는 기존 결과에 비해 훨씬 간단합니다. 나아가, 군의 화환곱(wreath product)에 대한 등변성이 요구되는 비정렬 대칭 집합으로 접근법을 확장합니다. 이전 연구들은 거의 모든 화환 등변 레이어가 샴(Siamese) 구조를 갖는 다소 제한적인 환경에서 이 문제를 다루었습니다. 이와 대조적으로, 본 논문에서는 이러한 경우의 레이어에 대한 완전한 특성화를 제시하며 일부 환경에서는 방대한 수의 추가적인 비-샴(non-Siamese) 레이어가 존재함을 보입니다. 또한 이러한 추가 비-샴 레이어가 그래프 이상치 탐지, 가중치 공간 정렬, 바세르슈타인 거리(Wasserstein distance) 학습과 같은 태스크에서 성능을 향상시킬 수 있음을 실증적으로 보여줍니다. 코드는 \href{https://github.com/yonatansverdlov/Irreducible-Representations-of-Deep-Weight-Spaces}{GitHub}에서 확인할 수 있습니다.