基于统一邻域提示的零样本通用图异常检测

图异常检测旨在识别图中显著偏离正常模式的节点，在广泛的应用领域中扮演着关键角色。然而，现有的图异常检测方法采用“一模型一数据集”的方式，即为每个图数据集单独训练一个模型。这极大地限制了它们在现实场景中的适用性。为克服这一局限，我们提出了一种新颖的零样本通用图异常检测方法UNPrompt，该方法训练一个“一模型通用”的检测模型，即仅需在一个图数据集上训练一个图异常检测模型，然后无需任何重新训练或微调，即可有效泛化以检测其他图数据集中的异常。UNPrompt的关键洞察在于：i) 潜在节点属性的可预测性可作为通用的异常度量；ii) 通过在适当归一化的节点属性空间中进行潜在节点属性预测，可以学习到通用的正常与异常图模式。UNPrompt通过两个主要模块实现图异常检测的通用模式：一个模块通过坐标归一化对齐不同图间节点属性的维度和语义；另一个模块学习通用的邻域提示，支持将潜在节点属性可预测性作为跨数据集的异常分数。在真实世界图异常检测数据集上的大量实验表明，在通用图异常检测设置下，UNPrompt显著优于多种竞争方法；在“一模型一数据集”设置下，它也展现出强大的优越性。代码可在 https://github.com/mala-lab/UNPrompt 获取。