FreeGAD：一种无需训练却有效的图异常检测方法

图异常检测（GAD）旨在识别图中偏离主流的节点的作用，在社交网络和电子商务等应用中发挥着关键作用。尽管当前在深度学习方法方面取得了进展，但现有方法常因其复杂且资源密集的训练过程而面临高部署成本和差异扩展性问题。令人惊讶的是，我们的经验发现，深度GAD方法的训练阶段——通常被视为关键——实际上对异常检测性能的贡献不到位。鼓舞于此，我们提出了FreeGAD，这是一种新颖的无需训练却有效的GAD方法。具体而言，它利用亲和力门控残差编码器生成异常感知表示。同时，FreeGAD识别锚定节点作为伪正常和异常指南，然后通过锚定引导的统计偏差计算异常分数。广泛的实验表明，FreeGAD在来自多个基准数据集的 diverse 领域中实现了卓越的异常检测性能、效率和扩展性，无需任何训练或迭代优化。