NeighborDiv：基于邻居多样性的无训练零样图异构检测通用框架
机器学习
2026-05-21 v1
摘要
图异构检测（GAD）正逐渐向通用图异构检测（GGAD）转变，以实现跨域“全能”检测，但现有GGAD方法主要依赖邻居一致性原理，陷入基于节点-邻居一致性范式的异常量化。这些方法 suffer于复杂的训练流程、对训练数据的高度依赖、高计算成本以及跨域泛化不稳定的问题。为此，我们提出NeighborDiv，一个基于邻居多样性的无训练通用图异构检测框架。我们摆脱主导的“节点-邻居一致性”范式，转向“邻居-邻居多样性”范式，发现节点邻居集合内部的结构离散性是强大的、独立于常规节点-邻居一致性框架的判别性异常信号。我们通过邻居特征相似性的方差来量化邻居多样性，这捕捉节点如何组织其局部图环境的特性，且独立于传统框架。大量实验表明，在两种标准GGAD评估范式下，NeighborDiv实现了最先进的性能，在单域独立训练（SDIT）下平均AUC提升10.25%，平均AP提升17.78%；在统一多域训练（UMDT）下分别提升6.89%/9.58%。值得注意的是，NeighborDiv在所有数据集上均实现零性能波动，消除了训练集依赖，建立了一个轻量且高度实用的GGAD框架。
引用
@article{arxiv.2605.20879,
title = {NeighborDiv: Training-free Zero-shot Generalist Graph Anomaly Detection via Neighbor Diversity},
author = {Kaifeng Wei and Teng Liu and Liang Dong and Xiubo Liang and Yuke Li},
journal= {arXiv preprint arXiv:2605.20879},
year = {2026}
}