OWLEYE：面向跨域图数据异常检测的零样本学习器
机器学习
2026-03-27 v2
摘要
图数据因其能代表复杂关系（如账户间的交易、设备间的通信或机器/过程间的依赖）而具有重要价值。相应地，图异常检测（GAD）在金融、网络安全、制造等多个领域发挥着关键作用。面对大规模且多域的图数据，新兴的研究尝试开发基础通用模型，能够在无需重新训练的情况下检测未见图中的异常。鉴于跨域图数据异构的特征语义与维度，这一问题严重阻碍了图基础模型的发展，使得进一步深入的持续学习与推理能力仍是开放问题。鉴于此，我们提出 OWLEYE，一个新的零样本 GAD 框架，通过从多个图中学习正常行为的可迁移模式来实现异常检测，作出了三方面的贡献。首先，OWLEYE 提出了跨域特征对齐模块，以谱和分布的方式实现特征对齐，同时保留领域特定的语义。其次，在对齐特征后，为实现持续学习能力，OWLEYE 设计了多域多模式字典学习，以编码共享的结构和基于属性的模式。最后，为实现情境学习能力，OWLEYE 发展了基于截断注意力的重构模块，以无需针对未见图结构数据提供标签，即可稳健地检测异常。大量真实数据实验表明，OWLEYE 在性能与可扩展性方面均优于当前最先进的基线方法，为可扩展且标签高效的异常检测奠定了坚实基础。
引用
@article{arxiv.2601.19102,
title = {OWLEYE: Zero-Shot Learner for Cross-Domain Graph Data Anomaly Detection},
author = {Lecheng Zheng and Dongqi Fu and Zihao Li and Jingrui He},
journal= {arXiv preprint arXiv:2601.19102},
year = {2026}
}
备注
Accepted by ICLR 2026