面向通用图异常检测的测试时自适应图模型 TA-GGAD
机器学习
2026-03-11 v1 人工智能
摘要
现实世界中大量异常节点（如假新闻、不合规用户、恶意交易和恶意帖子）严重损害图数据生态系统健康，亟需有效识别和处理。由于异常跨越多个数据领域且特征差异巨大，跨域检测模型面临严重的域迁移问题，限制了其在各域的泛化能力。本研究识别并定量分析了图异常检测中域迁移所呈现的特定特征不匹配模式，定义为“异常不相容性”问题（）。基于对该问题的建模，我们引入了一种新颖的图基础模型用于异常检测。该模型在不同图上实现跨域泛化，仅需单一训练相即可在多样化域中有效工作。基于十四个多样化真实图的实验结果，确认了该模型跨域适应的突破性成果，在检测准确率方面达到了开创性的SOTA水平。总之，本文提出的理论提供了通用图异常检测（GGAD）的一种新理论视角和实用性研究路径。代码已公开于https://anonymous.4open.science/r/Anonymization-TA-GGAD/。
引用
@article{arxiv.2603.09349,
title = {TA-GGAD: Testing-time Adaptive Graph Model for Generalist Graph Anomaly Detection},
author = {Xiong Zhang and Hong Peng and Changlong Fu and Xin Jin and Yun Yang and Cheng Xie},
journal= {arXiv preprint arXiv:2603.09349},
year = {2026}
}