针对未见样本的误报：在测试时适应图异常检测器
机器学习
2025-11-11 v1
摘要
图异常检测（GAD）旨在检测图结构数据中的异常值，近日受到广泛关注。然而，现有的 GAD 方法假设训练和测试分布相同，这在实际中很少成立。在实际场景中，部署期间可能出现未见但正常的样本，导致 normality shift 降低 GAD 模型在原始数据上训练的性能。通过经验分析，我们揭示了这种降解源于 (1) 语义混淆——未见正常样本因其新颖模式被误解为异常，以及 (2) 聚合污染——通过消息聚合，未见正常节点的表示被扭曲。虽然重新训练或微调 GAD 模型可能是解决上述挑战的潜在方法，但高昂的模型 retraining 成本以及获取标记数据难度往往使该方法在实际应用中难以实施。为弥合这一差距，我们提出了一种轻量级且即插即用的 Test-time adaptation 框架，用于纠正未见正常模式（TUNE）中的 GAD。为解决语义混淆，采用图对齐器在图属性水平上将偏移数据对齐到原始数据。此外，我们利用表示层级 shift 的最小化作为监督信号来训练对齐器，这利用估计的聚合污染作为正常性 shift 的关键指标。广泛的实验在 10 个真实数据集上表明，TUNE 显著提升了预训练 GAD 模型对合成和真实未见正常模式的通用性。
引用
@article{arxiv.2511.07023,
title = {Correcting False Alarms from Unseen: Adapting Graph Anomaly Detectors at Test Time},
author = {Junjun Pan and Yixin Liu and Chuan Zhou and Fei Xiong and Alan Wee-Chung Liew and Shirui Pan},
journal= {arXiv preprint arXiv:2511.07023},
year = {2025}
}
备注
9 pages, 5 figures, accepted by AAAI 2026