Page 119 - 《软件学报》2026年第4期

软件学报 ISSN 1000-9825, CODEN RUXUEW E-mail: jos@iscas.ac.cn
2026,37(4):1560−1574 [doi: 10.13328/j.cnki.jos.007527] [CSTR: 32375.14.jos.007527] http://www.jos.org.cn
©中国科学院软件研究所版权所有. Tel: +86-10-62562563

*
全局与局部残差信息联合感知的可泛化图异常检测

张家强 1,2 , 陈松灿 1,2

1
(南京航空航天大学 计算机科学与技术学院, 江苏 南京 211106)
2
(模式分析与机器智能工业和信息化部重点实验室 (南京航空航天大学), 江苏 南京 211106)
通信作者: 陈松灿, E-mail: s.chen@nuaa.edu.cn

摘 要: 图异常检测作为图数据挖掘中的关键任务, 旨在识别网络中与大多数节点存在显著差异的异常节点. 现有
的图异常检测方法普遍采用数据集特定的训练范式, 即为每个数据集单独训练模型. 然而, 该类方法缺乏跨数据集
的泛化能力, 且训练成本高昂. 为克服上述局限, 近期研究开始关注残差特征的泛化潜力. 该类特征通过计算节点
自身表示与基于邻居传播后的表示之差, 能够在很大程度上抵消特定于数据集的语义信息, 从而保留与异常模式
紧密相关的通用性信息. 尽管该方向已取得初步成果, 但残差特征的建模过程仍存在如下关键问题: 首先, 在计算
节点基于邻居传播前后的表示差值时, 邻居节点的稀少和潜在的结构噪声会在一定程度上影响结果的可靠性. 其
次, 计算时的表示依赖于图神经网络 (graph neural network, GNN) 对局部关系的学习, 这种方式难以建模对异常检
测同样有益的全局关系, 从而限制了残差特征的表达能力. 为解决上述问题, 提出一种全局和局部残差信息联合感
知的可泛化图异常检测方法 GRAD. 具体地, 该方法在利用 GNN 建模局部节点关系的基础上, 引入线性 Trans-
former 模块, 在不依赖原始图结构的前提下, 于特征空间中建模节点之间的全局结构相关性, 从而获得具备全局感
知能力的节点表示. 随后, GRAD 在全局和局部视角上分别将表示转换为自身与其邻居之间的残差, 并将二者融合,
以构建数据集无关的通用节点表示. 随后在多个不同领域的公开图数据集上进行广泛实验, 验证了 GRAD 的有效性.
关键词: 图异常检测; 图神经网络; 特征表示; 泛化性; 残差特征
中图法分类号: TP18

中文引用格式: 张家强, 陈松灿. 全局与局部残差信息联合感知的可泛化图异常检测. 软件学报, 2026, 37(4): 1560–1574. http://
www.jos.org.cn/1000-9825/7527.htm
英文引用格式: Zhang JQ, Chen SC. Generalizable Graph Anomaly Detection via Joint Perception of Global and Local Residual
Information. Ruan Jian Xue Bao/Journal of Software, 2026, 37(4): 1560–1574 (in Chinese). http://www.jos.org.cn/1000-9825/7527.htm

Generalizable Graph Anomaly Detection via Joint Perception of Global and Local Residual
Information
1,2 1,2
ZHANG Jia-Qiang , CHEN Song-Can
1
(College of Computer Science and Technology, Nanjing University of Aeronautics and Astronautics, Nanjing 211106, China)
2
(MIIT Key Laboratory of Pattern Analysis and Machine Intelligence (Nanjing University of Aeronautics and Astronautics), Nanjing
211106, China)
Abstract: Graph anomaly detection, as a critical task in graph data mining, aims to identify anomalous nodes that significantly differ from
the majority of nodes in a network. Existing methods for graph anomaly detection typically adopt dataset-specific training paradigms, i.e.,
training a separate model for each dataset. However, such methods lack generalization capability across datasets and incur high training
costs. To overcome these limitations, recent studies have begun to focus on the generalization potential of residual features. Such features
are obtained by computing the difference between a node’s own representation and the representation after neighborhood propagation,

* 基金项目: 国家自然科学基金 (62376126); 航空发动机及燃气轮机重大专项 (J2019-IV-0018-0086)
本文由“高可信自适应机器学习”专题特约编辑王熙照教授、张敏灵教授、曹付元教授推荐.
收稿时间: 2025-05-12; 修改时间: 2025-06-30, 2025-08-15; 采用时间: 2025-08-20; jos 在线出版时间: 2025-09-02
CNKI 网络首发时间: 2026-01-27