Page 122 - 《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 1563

在推荐系统 [21] 、分子预测 [22] 和交通流量预测 [23] 等任务上展现了优异的性能. 现有的 GNN 通常可被分类为两种
类型: 基于空域的和基于谱域的. 前者基于图结构进行消息传播, 后者则受启发于信号处理中的频域操作. 近年来,
已有许多 GNN 模型及其变体被提出. 其中, Kipf 等人 [6] 提出的图卷积网络 (graph convolutional network, GCN) 通
过局部一阶近似简化图卷积操作, 显著提升了模型效率, 成为里程碑式工作. 随后, Hamilton 等人 [24] 的 GraphSAGE
引入采样技术, 解决了大规模图训练的扩展性问题. 图注意力网络 (graph attention network, GAT) [25] 通过注意力机
制动态学习邻居权重, 进一步增强了模型表达能力. Wu 等人 [26] 通过连续去除非线性和折叠连续层之间的权重矩
阵来降低信息传递过程中的计算复杂性. Bo 等人 [27] 将数据解耦成高频和低频信号, 通过设计巧妙的自适应机制来
动态汇集特征. 为提高图神经网络在分布漂移场景下的能力, 近期也涌现了一些相关工作. 例如, Yuan 等人 [28] 提出
了一个用于节点级图 OOD (out-of-distribution) 泛化的结构感知不变学习框架 SING. 在其中, SING 设计了结构嵌
入对齐损失来优化数据增广和由 GNN 建模得到的不变图表示. Xu 等人 [29] 提出一个通过渐进推理学习图因果不
变性的模型 GPro. 具体而言, GPro 将图因果不变学习分解为多个由易到难的步骤, 并通过渐进推理过程不断强化
GPro 的感知能力, 从而提取对分布变化稳定的因果特征. 但这些方法聚焦在局部结构关系的建模上, 在图 OOD 的
场景下进行全局关系的建模也是可改进的方向之一.
在图异常检测任务上应用 GNN 的目的是获得异常相关的节点表征, 与一般的节点/图分类数据集不同, 异常
数据集通常具有较强的类不平衡性或异配性, 这使得 GNN 无法直接应用于异常数据集中. 在最近的研究中, 已经
针对信息汇聚过程、滤波器设计等, 提出了多种 GNN 来处理问题 [2] , 以实现更有效的图异常检测. 比如, 在 Graph-
Consis 中, Liu 等人 [30] 揭示了节点连接中的不一致现象, 即异常节点很可能连接到正常节点以掩盖其异常. 然后,
它引入了一种基于一致性评分的方法, 该方法基于节点嵌入相似性和自关注机制, 为聚合中的不同连接分配权重. Tang
等人 [16] 基于图特征信号在谱域中的现象, 即异常的存在会导致光谱能量分布在低频的集中度降低, 在高频的集中
度增加, 进而提出了 Beta 小波图神经网络, 其独特设计在于谱域和空域上的局部化带通滤波器.
1.2 图异常检测
早期的图异常检测方法主要依赖人工特征工程或专家开发的统计模型进行异常检测. 比如, Breunig 等人 [31] 利
用局部离群因子 (local outlier factor, LOF), 通过密度估计识别异常. Perozzi 等人 [32] 基于邻域变化检测构建正态性
度量, 该指标可以同时利用结构和属性来量化一致性和可分离性, 进而检测异常. 随着图神经网络在图数据相关任
务, 如节点分类、链路预测等上的成功, 许多图异常检测研究利用 GNN 来建模节点表征. 在有监督信息的引导下,
该类方法在二分类的学习范式下展开 [33] . 例如, Gao 等人 [34] 设计了一个标签 (预测) 感知的指标来计算聚合后的相
似性得分, 并在此基础上修剪可能存在异质性的边, 从而进行异常检测.
在监督信息缺乏的情况下, 研究则集中在通过利用多种无监督学习技术来挖掘数据中的异常模式, 其中包括
对比学习、重构学习等 [35−37] . 在其中, Liu 等人 [38] 提出了一个基于子图对比学习的经典框架 CoLA, 其通过节点与
其邻居间的对比实例对采样, 结合异常相关的目标来训练对比学习模型. TAM [39] 发现了含注入异常与真实异常的
GAD 数据集中存在的“单类同质性”现象, 据此提出基于局部节点亲和力的新型无监督检测指标. 近期, Qiao 等人 [40]
基于先验信息, 设计多个正则化方法来生成伪异常数据来辅助模型学习, 展现了较好的性能. 吴江豪等人 [41] 通过
利用结构熵和层次社区结构对异常节点进行检测. 然而, 这些方法关注在提升单个数据集上的性能, 当数据集不可
训练或有新数据集到来之时, 所学得的模型的泛化性较差. 因此, 一个数据集一个模型的学习范式已不能满足信息
快速涌现的现实场景, 亟需研究新型异常检测方法, 以期无需重新训练和微调, 模型即可在测试阶段对新数据进行
检测.
2 问题定义与准备工作

2.1 问题定义
,
对于每个图, 可被表示为: G = (V,E, X). 其中 V 是节点的集合: V = {v 1 ,...,v n } E 是边的集合, n 为节点数量.