Copertina

Balanced Edge Pruning for Graph Anomaly Detection with Noisy Labels

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Wang, Zhu, Dong, Junnan, Zhou, Shuang, Yang, Chang, Zhao, Shengjie, Huang, Xiao
Natura:	Preprint
Pubblicazione:	2024
Soggetti:	Machine Learning Artificial Intelligence
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

Nested Graph Pseudo-Label Refinement for Noisy Label Domain Adaptation Learning
di: Wang, Yingxu, et al.
Pubblicazione: (2025)

A Generalizable Anomaly Detection Method in Dynamic Graphs
di: Yang, Xiao, et al.
Pubblicazione: (2024)

Label-based Graph Augmentation with Metapath for Graph Anomaly Detection
di: Kim, Hwan, et al.
Pubblicazione: (2023)

AnomalyLLM: Few-shot Anomaly Edge Detection for Dynamic Graphs using Large Language Models
di: Liu, Shuo, et al.
Pubblicazione: (2024)

Federated Learning Client Pruning for Noisy Labels
di: Morafah, Mahdi, et al.
Pubblicazione: (2024)

Denoising-Aware Contrastive Learning for Noisy Time Series
di: Zhou, Shuang, et al.
Pubblicazione: (2024)

When Noisy Labels Meet Class Imbalance on Graphs: A Graph Augmentation Method with LLM and Pseudo Label
di: Xia, Riting, et al.
Pubblicazione: (2025)

Rayleigh Quotient Graph Neural Networks for Graph-level Anomaly Detection
di: Dong, Xiangyu, et al.
Pubblicazione: (2023)

Heterogeneous Graph Prompt Learning via Adaptive Weight Pruning
di: Wei, Chu-Yuan, et al.
Pubblicazione: (2025)

FedNoisy: Federated Noisy Label Learning Benchmark
di: Liang, Siqi, et al.
Pubblicazione: (2023)

Dirichlet-Based Prediction Calibration for Learning with Noisy Labels
di: Zong, Chen-Chen, et al.
Pubblicazione: (2024)

Balanced Anomaly-guided Ego-graph Diffusion Model for Inductive Graph Anomaly Detection
di: Wei, Chunyu, et al.
Pubblicazione: (2026)

Guarding Graph Neural Networks for Unsupervised Graph Anomaly Detection
di: Bei, Yuanchen, et al.
Pubblicazione: (2024)

Safe Pruning LoRA: Robust Distance-Guided Pruning for Safety Alignment in Adaptation of LLMs
di: Ao, Shuang, et al.
Pubblicazione: (2025)

Correcting Noisy Multilabel Predictions: Modeling Label Noise through Latent Space Shifts
di: Huang, Weipeng, et al.
Pubblicazione: (2025)

Potential Energy based Mixture Model for Noisy Label Learning
di: Wang, Zijia, et al.
Pubblicazione: (2024)

FANFOLD: Graph Normalizing Flows-driven Asymmetric Network for Unsupervised Graph-Level Anomaly Detection
di: Cao, Rui, et al.
Pubblicazione: (2024)

Rooted Absorbed Prefix Trajectory Balance with Submodular Replay for GFlowNet Training
di: Wang, Xi, et al.
Pubblicazione: (2026)

Spectral Theory for Edge Pruning in Asynchronous Recurrent Graph Neural Networks
di: Bessone, Nicolas
Pubblicazione: (2025)

Graph Evidential Learning for Anomaly Detection
di: Wei, Chunyu, et al.
Pubblicazione: (2025)

Rethinking Weak Supervision in Anomaly Detection: A Comprehensive Benchmark
di: Yao, Xu, et al.
Pubblicazione: (2026)

CVTGAD: Simplified Transformer with Cross-View Attention for Unsupervised Graph-level Anomaly Detection
di: Li, Jindong, et al.
Pubblicazione: (2024)

Learning from Noisy Labels for Long-tailed Data via Optimal Transport
di: Li, Mengting, et al.
Pubblicazione: (2024)

FracAug: Fractional Augmentation boost Graph-level Anomaly Detection under Limited Supervision
di: Dong, Xiangyu, et al.
Pubblicazione: (2025)

Unsupervised Graph Anomaly Detection via Multi-Hypersphere Heterophilic Graph Learning
di: Ni, Hang, et al.
Pubblicazione: (2025)

High-dimensional Learning with Noisy Labels
di: Firdoussi, Aymane El, et al.
Pubblicazione: (2024)

Addressing Long-Tail Noisy Label Learning Problems: a Two-Stage Solution with Label Refurbishment Considering Label Rarity
di: Wu, Ying-Hsuan, et al.
Pubblicazione: (2024)

GAD in the Wild: Benchmarking Graph Anomaly Detection under Realistic Deployment Challenges
di: Zhou, Jingjing, et al.
Pubblicazione: (2026)

Multi-Head Spectral-Adaptive Graph Anomaly Detection
di: Cao, Qingyue, et al.
Pubblicazione: (2025)

A Methodological Report on Anomaly Detection on Dynamic Knowledge Graphs
di: Lu, Xiaohua, et al.
Pubblicazione: (2024)

Detect by Yourself: Self-Designing Agentic Workflows for Few-Shot Graph Anomaly Detection
di: Huang, Tairan, et al.
Pubblicazione: (2026)

Invariant Correlation of Representation with Label: Enhancing Domain Generalization in Noisy Environments
di: Jin, Gaojie, et al.
Pubblicazione: (2024)

Online Multi-Label Classification under Noisy and Changing Label Distribution
di: Zou, Yizhang, et al.
Pubblicazione: (2024)

Efficient Bilevel Optimization for Meta Label Correction in Noisy Label Learning
di: Nguyen, Ba Hoang Anh, et al.
Pubblicazione: (2026)

TMLC-Net: Transferable Meta Label Correction for Noisy Label Learning
di: Li, Mengyang
Pubblicazione: (2025)

Edge-Enabled Anomaly Detection and Information Completion for Social Network Knowledge Graphs
di: Lu, Fan, et al.
Pubblicazione: (2024)

DyEdgeGAT: Dynamic Edge via Graph Attention for Early Fault Detection in IIoT Systems
di: Zhao, Mengjie, et al.
Pubblicazione: (2023)

DDGAD: Trajectory Dynamics for Diffusion-Based Graph Anomaly Detection
di: Yang, Yuxin, et al.
Pubblicazione: (2026)

Graph Enhanced Trajectory Anomaly Detection
di: Mbuya, Jonathan Kabala, et al.
Pubblicazione: (2025)

Soft Label Pruning and Quantization for Large-Scale Dataset Distillation
di: Lingao, Xiao, et al.
Pubblicazione: (2026)