Detect by Yourself：面向少样本图异常检测的自设计代理工作流
机器学习
2026-05-28 v1 人工智能
摘要
图异常检测旨在识别属性图中的异常节点，在现实应用中发挥重要作用。然而，现有的图异常检测方法仍面临两个关键挑战：1）固定管道，限制了其在有限监督下跨不同图任务的适应性；2）证据不足，阻碍其在检测过程中显式地融合上下文和结构异常信号。本文提出了一种新框架，用于少样本图异常检测的自设计代理工作流（SignGAD）。具体而言，我们提出了一种新范式，将图异常检测任务从训练固定异常检测器改造为设计任务条件化的检测工作流。通过构建检测工作流，SignGAD选择合适的图编码和检测器设计，以挖掘任务特定的异常证据。同时，我们引入受控最终微调策略，通过校准微调接受度来提升有限监督下的可靠性。广泛的实验在几个真实数据集上证明，SignGAD在多个SOTA方法面前表现出色，凸显其在图异常检测任务中的有效性。
引用
@article{arxiv.2605.27470,
title = {Detect by Yourself: Self-Designing Agentic Workflows for Few-Shot Graph Anomaly Detection},
author = {Tairan Huang and Qiang Chen and Yili Wang and Yueyue Ma and Changlong He and Xiu Su and Yi Chen},
journal= {arXiv preprint arXiv:2605.27470},
year = {2026}
}