基于原型蒸馏的通用图异常检测
机器学习
2026-05-27 v1
摘要
受高风险领域中图异常检测 (GAD) 日益增长的需求驱动，通用 GAD 范式（即训练单个可跨新图迁移的检测器）近日受到关注。然而，现有方法常依赖稀缺且昂贵的注释进行训练，甚至在推理时需要 few-shot support，这限制了其对多样化且未知异常模式的鲁棒性。为此，我们提出了 ProMoS，首个无监督通用 GAD 框架，通过建模无标签数据中的丰富正常性来检测异常。ProMoS 采用知识蒸馏范式，将来自冻结的自监督图神经网络 (GNN) 教师的正常性先验蒸馏到一个混合学生模型中，后者拥有共享的全局和轻量化的个人化分支，实现了无需从头学习即可进行高效且富有表现力的正常性建模。我们进一步提出了原型引导软标签蒸馿以增强教师和学生在共享原型空间中的对齐，提高跨图泛化性。在推理阶段，ProMoS 通过蒸馏偏差和原型几何偏差实现对未见图的零样异常检测。大量实验表明，ProMoS 在有效性和效率方面均表现出色，为实现标签自由、零样通用 GAD 指明了实用路径。
引用
@article{arxiv.2605.26857,
title = {Generalist Graph Anomaly Detection via Prototype-Based Distillation},
author = {Yiming Xu and Zihan Chen and Zhen Peng and Song Wang and Bin Shi and Bo Dong and Chao Shen},
journal= {arXiv preprint arXiv:2605.26857},
year = {2026}
}
备注
Accepted by ICML 2026