表格基础模型是强大的图结构异常检测器
机器学习
2026-01-27 v1
摘要
图结构异常检测 (GAD) 旨在识别偏离主流的异常节点，近年来在高风险 Web 领域日益重要。然而，现有 GAD 方法遵循“每个数据集一个模型”范式，导致计算成本高、数据需求大，在迁移到新数据集时泛化性差。这迫切需要一种 foundation model，实现“一针见地”的 GAD 解决方案，无需重新训练即可跨 diverse graphs 检测异常。然而，由于图结构和特征异构性大，实现这一目标颇具挑战。本文提出 TFM4GAD 框架，通过适配表格基础模型 (TFM) 实现图结构异常检测。我们的关键洞察是：foundation GAD 的核心挑战——处理异构特征、跨域泛化、稀缺标签下的操作——恰是现代 TFM 通过合成预训练和强大的情境学习所解决的问题。主要挑战在于结构层面：TFM 对图拓扑结构不敏感。TFM4GAD 通过“展平”图结构，构建增强特征表，丰富节点特征，加入 Laplacian 嵌入、局部与全局结构特征以及异常敏感的邻域聚合。该增强表在完全情境 regime 中由 TFM 处理。多项实验表明，TFM4GAD 在多个数据集上使用多种 TFM backbone 时，均显著超越训练自身的专用 GAD 模型，取得显著性能提升。我们的工作提供了一种新视角和实用范式，表明 TFM 可作为强大且通用的图结构异常检测器。
引用
@article{arxiv.2601.17301,
title = {Tabular Foundation Models are Strong Graph Anomaly Detectors},
author = {Yunhui Liu and Tieke He and Yongchao Liu and Can Yi and Hong Jin and Chuntao Hong},
journal= {arXiv preprint arXiv:2601.17301},
year = {2026}
}
备注
Accepted by WWW 2026 (Short Paper)