Page 121 - 《软件学报》2026年第4期
P. 121
1562 软件学报 2026 年第 37 卷第 4 期
依赖 [17,18] . 继而, 将局部和全局残差特征进行融合, 在极少量正常样本的基础上进行上下文重建学习. 其中的重建
距离可作为在测试过程中每个节点的异常分数. 最后, 本文在包含不同领域的多个基线数据集上进行了实验, 实验
结果验证了所提方法的有效性.
正常节点 异常节点
…
… 训练 …
异常检测模型 1 …
…
… 测试 …
G i (X i , A i )
G 1 (X 1 , A 1 ) G 1 (X 1 , A 1 ) 训练 可泛化
… … …
测试 异常检测模型
… … 训练 … …
异常检测模型 k …
测试
…
G k (X k , A k ) G k (X k , A k ) G j (X j , A j )
(a) 传统图异常检测范式 (b) 可泛化图异常检测范式
图 1 传统与可泛化图异常检测范式的示意图
Cora
250 CiteSeer
Facebook
200
节点度大: 邻居多
Node degrees 150
100
50 节点度小: 邻居少
0
0 500 1 000 1 500 2 000 2 500 3 000
Node index
图 2 3 个数据集上的节点度分布示意图
综上所述, 本文的主要贡献如下.
(1) 研究一个可泛化图异常检测模型, 即模型可以检测来自不同应用领域的各种图数据集的异常, 仅需极少量
正常样本进行知识获取, 而无需对目标数据进行任何训练或微调.
(2) 提出一种基于全局残差信息协作的可泛化图异常检测方法 (GRAD). 在该方法中, 巧妙地利用了线性
Transformer 高效地对全局信息进行建模, 并将其作为局部残差信息的补充进行上下文的重建学习和异常分数的计算.
(3) 在包含不同领域的多个基线数据集上测试所提出的 GRAD 方法. 实验结果表明, GRAD 方法有效地实现
了多个目标数据集的异常检测. 与 SOTA 方法相比, GRAD 在 8 个目标数据集上的平均 AUROC 和平均 AUPRC
的性能分别提升了 1.9% 和 5.4%.
本文第 1 节回顾图异常检测的相关工作. 第 2 节介绍本文所研究的可泛化的图异常检测问题定义. 第 3 节介
绍 GRAD 方法的架构设计与实现机制. 第 4 节通过实证分析验证方法的有效性. 第 5 节总结全文并展望未来研究方向.
1 相关工作
1.1 图神经网络
图神经网络 (GNN) 是近年来机器学习领域的重要研究方向, 旨在处理非欧几里得空间中的图结构数据 [19,20] ,
