LLM法庭：通过多LLM协作进行证据增强生成以实现文本属性图异常检测
机器学习
2025-08-04 v1
摘要
文本属性图(TAG)中复杂的拓扑结构与丰富文本信息的自然结合，为图异常检测(GAD)开辟了新的视角。然而，现有的GAD方法主要专注于在图域内设计复杂的优化目标，忽视了文本模态的互补价值，其特征通常由浅层嵌入技术（如词袋或skip-gram）编码，因此可能遗漏与异常相关的语义上下文。为了释放文本模态的巨大潜力，大语言模型(LLM)因其强大的语义理解和推理能力而成为有前景的替代方案。尽管如此，它们在TAG异常检测中的应用仍处于起步阶段，并且由于输入长度限制，它们难以编码图中固有的高阶结构信息。为了实现TAG中高质量的异常检测，我们提出了CoLL，一个结合LLM和图神经网络(GNN)以利用其互补优势的新颖框架。CoLL采用多LLM协作进行证据增强生成，以捕获与异常相关的上下文，同时为检测到的异常提供人类可读的解释。此外，CoLL集成了配备门控机制的GNN，以自适应地将文本特征与证据融合，同时保留高阶拓扑信息。大量实验证明了CoLL的优越性，在AP上平均提升了13.37%。这项研究为将LLM融入推进GAD开辟了新途径。
引用
@article{arxiv.2508.00507,
title = {Court of LLMs: Evidence-Augmented Generation via Multi-LLM Collaboration for Text-Attributed Graph Anomaly Detection},
author = {Yiming Xu and Jiarun Chen and Zhen Peng and Zihan Chen and Qika Lin and Lan Ma and Bin Shi and Bo Dong},
journal= {arXiv preprint arXiv:2508.00507},
year = {2025}
}
备注
Accepted by ACM Multimedia 2025 (MM '25)