GTHNA：用于整体节点异常评估的局部-全局图转换器与记忆重构

图结构数据中的异常检测是一个极具挑战性的问题，因为它需要识别在其结构和行为特征方面偏离多数节点的稀有节点。现有方法，如基于图卷积网络（GCN）的方法，常常 suffer from 过平滑，导致学习到的节点表示变得不可区分。此外，基于图重构的方法对异常节点干扰较为敏感，导致重构不准确，进而影响异常检测。本文提出一种新颖的整体异常评估框架，集成三个关键组件：局部-全局 Transformer 编码器、记忆引导的重构机制和多尺度表示匹配策略。这三个组件协同工作，以增强模型捕获局部和全局结构依赖关系的能力，抑制异常节点的影响，并从多个层次细粒度评估异常。通过结合重构误差和记忆匹配信号来计算异常分数，从而实现更稳健的评估。在七个基准数据集上的大量实验表明，我们的方法在现有 state-of-the-art 方法方面表现出色，为各种图领域提供了一种全面且可推广的异常检测解决方案。