基于仿射学习的跨域图异常检测
机器学习
2025-10-21 v2 人工智能
社会与信息网络
摘要
图异常检测 (GAD) 在识别图结构数据中的异常模式方面显示出巨大的有效性。然而，在新兴应用中，标记异常往往稀缺，现有的监督式 GAD 方法在跨域迁移时由于分布迁移和异构特征空间而显得无效或不可用。为此，我们提出了 GADT3—a 用于跨域 GAD 的测试时训练框架。GADT3 在训练期结合监督学习和自监督学习，在测试时仅使用自监督学习适应新域，利用基于仿射性的亲和度得分捕捉异常的领域不变属性。我们的框架在跨域 GAD 中引入了四项关键创新：有效的自监督方案、基于注意力的机制在消息传递期间动态学习边重要性权重、用于处理异构特征的领域特定编码器，以及用于处理不平衡的类别感知正则化。跨多个跨域设置的实验表明，GADT3 显著优于现有方法，在 AUROC 和 AUPRC 上平均提升超过 8.2%。
引用
@article{arxiv.2502.14293,
title = {Cross-Domain Graph Anomaly Detection via Test-Time Training with Homophily-Guided Self-Supervision},
author = {Delaram Pirhayati and Arlei Silva},
journal= {arXiv preprint arXiv:2502.14293},
year = {2025}
}
备注
Accepted at Transactions on Machine Learning Research (TMLR), 2025