基于混合罗曼专家的零样图异构检测
机器学习
2026-02-10 v2 人工智能
摘要
图异构检测 (GAD) 旨在识别图数据中的不规则模式，近期研究探索了零样通用 GAD 以实现对未见图数据集的泛化。然是，现有零样 GAD 方法很大程度上忽略了不同异常模式之间固有的几何差异，显著限制了其跨域泛化。在本工作中，我们揭示了异常可检测性高度依赖于其所处几何特性，且将来自不同域的图嵌入到单一静态曲率空间中会扭曲异常的结构特征。为解决单一曲率空间无法捕获几何相关图异常模式的挑战，我们提出了 GAD-MoRE，一种新的零样通用图异构检测框架，采用混合罗曼专家架构。具体而言，为确保每个异常模式在其最易检测的罗曼空间中建模，GAD-MoRE 采用一组专业化的罗曼专家网络，每个网络在不同的曲率空间中运行。为将原始节点特征与曲率特定的异常特征对齐，我们引入一种异常感知的多曲率特征对齐模块，将输入投射到平行的罗曼空间，从而实现对多样几何特征的捕获。最后，为促进超出已见模式的更好泛化，我们设计了一种基于记忆的动态路由器，根据在类似异常上的历史重建性能自适应地将每个输入分配给最兼容的专家。广泛的实验结果表明，在零样设置下，GAD-MoRE 显著优于最先进的通用 GAD 基线，即使甚至超过使用来自目标域标签数据的少样微调强竞争者。
引用
@article{arxiv.2602.06859,
title = {Zero-shot Generalizable Graph Anomaly Detection with Mixture of Riemannian Experts},
author = {Xinyu Zhao and Qingyun Sun and Jiayi Luo and Xingcheng Fu and Jianxin Li},
journal= {arXiv preprint arXiv:2602.06859},
year = {2026}
}