GFM4GA: 用于群体异常检测的图基础模型
人工智能
2026-01-16 v1
摘要
群体异常检测在许多网络应用中至关重要,但由于异常模式的多样性而面临挑战。受大语言模型(LLMs)在自然语言处理中成功的启发,图基础模型(GFMs)被提出以更少的标注工作处理少样本学习任务。GFMs已成功应用于个体异常检测,但无法推广到群体异常,因为群体异常模式必须作为一个整体来检测,且异常群体中的个体可能看起来相当正常。因此,我们提出了GFM4GA,一种用于群体异常检测的新型图基础模型。该流程通过基于特征估计和群体提取的双层对比学习进行预训练,以捕获潜在的群体异常结构和特征不一致性。在下游任务中,该流程在参数受限和群体异常比例加权的少样本设置下进行微调,并通过由标记的异常邻居确定的群体上下文扩展其对未见群体异常的自适应能力。实验表明,GFM4GA超越了群体异常检测器和用于个体异常的GFMs,在AUROC和AUPRC上分别实现了平均2.85%和2.55%的提升。
引用
@article{arxiv.2601.10193,
title = {GFM4GA: Graph Foundation Model for Group Anomaly Detection},
author = {Jiujiu Chen and Weijun Zeng and Shaofeng Hu and Sihong Xie and Hui Xiong},
journal= {arXiv preprint arXiv:2601.10193},
year = {2026}
}