NeiGAD：通过谱邻域信息增强图异常检测
机器学习
2026-03-31 v1 人工智能
摘要
图异常检测 (GAD) 旨在识别属性图中不规则的节点或结构。邻域信息——反映了与周围节点的结构连通性和属性一致性——对于区分异常与正常模式至关重要。虽然最近的图神经网络 (GNN) 基于消息传递方法整合了此类信息，但往往无法显式建模其作用或与属性的相互作用，限制了检测性能。本工作引入 NeiGAD，一个新颖的即插即用模块，通过谱图分析捕获邻域信息。理论分析表明，邻接矩阵的特征向量编码了局部邻域交互，并逐渐放大异常信号。基于此，NeiGAD 选取一组紧凑的特征向量以构建高效且判别性强的表示。在八个真实数据集上的实验表明，NeiGAD 在检测准确率上 consistently 获益，并超越了最先进的 GAD 方法。这些结果表明了显式邻域建模和谱分析在异常检测中的重要性。代码已公开：https://github.com/huafeihuang/NeiGAD。
关键词
引用
@article{arxiv.2603.28300,
title = {NeiGAD: Augmenting Graph Anomaly Detection via Spectral Neighbor Information},
author = {Qing Qing and Huafei Huang and Mingliang Hou and Renqiang Luo and Mohsen Guizani},
journal= {arXiv preprint arXiv:2603.28300},
year = {2026}
}
备注
6 pages, IWCMC 2026 accepted