野外实测的 GAD：面向真实部署挑战的图异常检测基准
机器学习
2026-05-11 v1 人工智能
摘要
图异常检测（GAD）是图机器学习中的关键任务，具有金融欺诈检测和社交平台治理等关键应用。然而，现有 GAD 基准常受限于小规模、精选图且异常比例相对平衡，导致学术评估与实际部署之间存在显著鸿沟。为弥合这一差距，我们提出一个多维基准，系统评估 GAD 模型在三个部署相关挑战下的表现：百万级图规模、极端异常稀缺、缺失节点属性。我们从五个多样化图中派生出受控基准变体，包括两个规模超过 37 万节点的数据集。我们对九个代表性 GAD 模型进行广泛评估，揭示了三个主要局限：(1) 大多数基于图神经网络的方法因内存限制无法扩展到百万节点图；(2) 在真实可接受的异常比例下（如 0.1%），检测性能急剧下降，常导致零召回率；(3) 基于重构的模型对属性插值策略极其敏感。我们的发现表明，实验室环境下的优异性能并不保证在生产环境中的鲁棒性。我们发布了该基准及其经验评估，作为诊断性测试平台，旨在推动开发面向大规模、不完美图的鲁棒且可扩展的 GAD 系统。代码已在 https://anonymous.4open.science/r/Benchmark_GAD-E7A3 上发布。
引用
@article{arxiv.2605.07133,
title = {GAD in the Wild: Benchmarking Graph Anomaly Detection under Realistic Deployment Challenges},
author = {Jingjing Zhou and Shiyu Huang and Qing Qing and Zuquan Yuan and Huafei Huang and Ziqi Xu and Mingliang Hou and Xikun Zhang and Renqiang Luo and Ivan Lee},
journal= {arXiv preprint arXiv:2605.07133},
year = {2026}
}