图异常检测的概览：从迁移学习到基础模型
机器学习
2025-09-09 v1
摘要
图异常检测 (GAD) 近年来因能在社交媒体和电子商务等广泛图基应用中识别恶意样本而受到关注。然而，大多数 GAD 方法假设训练和测试分布相同，针对特定任务设计，导致在诸如分布迁移和新应用中稀缺训练样本等实际场景下适应性有限。为克服此限制，近期研究聚焦通过迁移学习利用相关领域知识提升检测性能，或开发“一条龙” GAD 基础模型以跨多应用泛化。鉴于对 GAD 泛化性的系统性理解仍缺乏，本文提供了 GAD 泛化性的综合综述。我们首先追溯 GAD 泛化性的演进，概化问题设定，进而形成系统性分类。基于此细粒度分类，系统梳理了现有泛化 GAD 方法。最后，指出当前开放挑战，并提出未来研究方向以激发此新兴领域的发展。
引用
@article{arxiv.2509.06609,
title = {A Survey of Generalization of Graph Anomaly Detection: From Transfer Learning to Foundation Models},
author = {Junjun Pan and Yu Zheng and Yue Tan and Yixin Liu},
journal= {arXiv preprint arXiv:2509.06609},
year = {2025}
}
备注
Accepted by ICKG 2025. 8 pages, 5 figures