TERGAD：面向图异常检测的结构感知文本增强表示
计算与语言
2026-05-20 v1 人工智能
摘要
图异常检测（GAD）旨在识别显著偏离大多数情况的非典型图实体，如节点、边或子结构。虽然现有的文本丰富方法通常使用原始文本特征将结构上下文集成到数据表示流程中，但它们常常忽略节点的结构上下文。这一局限性阻碍了它们检测由节点固有内容与其拓扑角色不一致所产生的复杂异常的能力。为弥补这一差距，我们提出TERGAD（面向图异常检测的结构感知文本增强表示），这是一个新颖的数据增强框架，通过大语言模型（LLM）的语义推理能力来丰富GAD的结构语义。具体来说，TERGAD将节点级的拓扑属性转化为描述性的自然语言叙述，随后由LLM处理以推导出高级语义嵌入。然后，这些嵌入通过一个门控双分支自编码器与原始节点属性自适应融合，以联合重建图结构和节点特征。异常分数基于综合重建误差计算，有效捕获了可观察属性和LLM信息语义期望中的偏差。在六个真实世界数据集上的大量实验表明，TERGAD始终优于最先进的基线方法。此外，我们的消融研究验证了结构语义引导的不可或缺作用以及门控融合机制的有效性。代码可在 https://github.com/Kantorakitty/TERGAD-main 获取。
引用
@article{arxiv.2605.19738,
title = {TERGAD: Structure-Aware Text-Enhanced Representations for Graph Anomaly Detection},
author = {Wen Shi and Zhe Wang and Huafei Huang and Qing Qing and Ziqi Xu and Qixin Zhang and Xikun Zhang and Renqiang Luo and Feng Xia},
journal= {arXiv preprint arXiv:2605.19738},
year = {2026}
}
备注
14 pages, 5 figures