重新思考通用图异常检测中的特征对齐：基于关系指纹的方案
机器学习
2026-05-26 v1
摘要
通用图异常检测（GAD）旨在无需针对特定图进行再训练即可检测未见图上的异常。然而，现有方法主要关注通过 PCA 基于投影对齐不同数据域之间的异构特征，忽略了特征语义，导致 GAD 模型无法学习可迁移的语义知识，甚至在未见图上出现负迁移。为此，我们提出了基于关系指纹的通用 GAD 方法（ReFi-GAD），通过编码上下文和结构视角中的异常指示线索的通用且语义感知的关系指纹（ReFi）来对齐异构的原始特征。基于 ReFi，我们设计了指纹导向的通用 GAD 模型，结合基于转换器的编码器捕获领域不变知识，以及 SNR 指导的细化模块进行领域特定适应。广泛的实验表明，ReFi-GAD 在 14 个数据集上显著优于现有最先进方法。
引用
@article{arxiv.2605.25429,
title = {Rethinking Feature Alignment in Generalist Graph Anomaly Detection: A Relational Fingerprint-based Approach},
author = {Yujing Liu and Yixin Liu and Yu Zheng and Alan Wee-Chung Liew and Xiaofeng Cao and Shirui Pan},
journal= {arXiv preprint arXiv:2605.25429},
year = {2026}
}
备注
9 pages, 7 figures. Accepted by ICML 2026