Page 120 - 《软件学报》2026年第4期

张家强 等: 全局与局部残差信息联合感知的可泛化图异常检测 1561

which can largely offset dataset-specific semantic information and thus retain general information closely related to anomalous patterns.
Despite initial progress in this direction, the modeling of residual features still faces the following key challenges: First, when computing
the difference between a node’s representations before and after neighborhood propagation, the sparsity of neighbors and potential
structural noise affect the reliability of the results to some extent. Second, the computation of representations relies on graph neural
network (GNN) to learn local relationships, which makes it difficult to model global relationships that are also beneficial for anomaly
detection, thus limiting the expressive power of residual features. To address these issues, this study proposes GRAD, a generalizable
graph anomaly detection method via joint perception of global and local residual information. Specifically, based on GNN for modeling
local node relationships, GRAD introduces a linear Transformer module to model global structural correlations among nodes in the feature
space without relying on the original graph structure, thus obtaining node representations with global awareness. Then, GRAD transforms
the representations into residuals between each node and its neighbors from both global and local perspectives, and integrates them to form
dataset-independent general node representations. Extensive experiments on multiple public graph datasets from different domains verify
the effectiveness of GRAD.
Key words: graph anomaly detection; graph neural network (GNN); feature representation; generalization; residual feature
图在现实世界中无处不在, 可用来建模节点之间的复杂关系 [1] . 图异常检测是基于图数据的一类关键任务, 旨
在识别网络结构中显著偏离多数节点行为的异常节点. 该任务在各种场景中具有广泛的应用, 如社交垃圾邮件检
测、金融欺诈检测等 [2,3] . 早期的异常检测技术依赖于领域专家构建的特征工程, 如矩阵分解 [4] 和 OC-SVM . 近
[5]
[6]
期, 随着深度学习技术的飞速发展, 特别是图神经网络 (graph neural network, GNN) 的广泛应用, 图学习任务 (如
链路预测 [7] 、节点分类 [8] 等) 取得了显著进展. 受此启发, 研究者开始将 GNN 引入图异常检测任务, 以学习异常相
关的节点表示. 现有基于 GNN 的方法可大致分为两类 [9] : 一类将图异常检测看作是二分类问题, 通过调整神经网
络架构或训练策略等, 在标签信息的引导下学习出可区分正常与异常节点的表示. 另一类方法不依赖于异常标签,
通过结合半监督或无监督学习范式, 设计代理学习任务 (如特征重构、邻居预测等) 以模拟潜在的异常模式, 进而
使得模型具有异常检测的能力.
尽管这些方法展现了出色的检测性能, 如图 1(a) 所示, 它们都遵循在同一图上进行训练和推理的范式, 即需针
对每一个图数据集单独训练一个模型. 这种做法存在显著的实际限制 [10,11] : 其一, 随着数据的不断涌现, 基于每个
数据集重新训练模型会带来较大的资源消耗; 其二, 在如医疗、金融等对隐私保护要求极高的应用场景中, 往往难
以获取目标图的全部数据进行训练. 为了突破这一局限性, 研究者提出了一种新的范式, 即设计一个可泛化的异常
检测模型 [12] . 如图 1(b) 所示, 在此模型中, 可接纳不同的数据集进行训练. 同时, 在进行对目标数据集的检测时, 无
需任何重新训练或微调, 仅需要极少量的正常样本进行目标知识获取. 该范式可显著降低计算成本, 具备更强的泛
化能力, 但随之而来的是非凡的挑战, 即, 不同数据集之间的正常和异常模式存在差异. 因此, 该范式的关键之处在
于当特征与结构变化时, 建模出节点中与数据集无关且与异常相关的表示. 受以往研究启发, 即大多数异常节点与
其邻居的特征相似性较低, 近期的工作, 如 ARC [10] 、AnomalyGFM [11] 提出了残差特征这一概念, 即节点基于邻居
传播前后的表示差值. 与显著变化的初始特征相比, 在通过减法得到的残差特征中, 与数据集相关的成分在一定程
度上被相互消除, 保留了异常模式相关的通用信息.
但是这样的做法也存在着以下问题. 首先, 残差特征的计算依赖于基于节点邻居的传播, 然而现实网络中节点
的度通常服从幂律分布 [13] . 如图 2 所示, 我们绘制了常见的 3 个数据集中节点度的分布情况. 可以发现, 相当比例
的节点具有极少的邻居. 同时, 在现实场景中, 会遇到孤立节点或噪声边的情况. 因此, 在这些情况下获取的残差特
征会影响检测性能. 其次, 这些方法广泛依赖于 GNN 进行初步的节点表示学习, 但 GNN 本质上基于局部信息聚
合机制, 难以建模全局上下文信息. 而已有研究表明, 全局信息对于识别异常节点具有重要价值 [14,15] . 虽然通过堆
叠多层的图神经网络 (GNN) 可以扩展感受野以捕获长距离依赖信息, 但随之而来的是节点表示过平滑的副作用 [1] .
GNN 作为一种低通滤波器, 多层的消息传递也会逐渐将异常信号磨灭 [16] .
为了解决上述问题, 本文提出了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. 该方法
无需在目标图数据上进行重新训练或微调, 便可实现对数据中异常节点的有效检测. 特别地, GRAD 首先在 GNN
进行局部信息感知的基础上, 引入线性 Transformer, 以高效建模节点在特征空间中的全局表示. 通过与原始特征
相减, 得到全局残差表征. 这一过程本质上也可视为是基于节点特征的图结构学习, 有效规避了对真实结构信息的