Page 123 - 《软件学报》2026年第4期

1564 软件学报 2026 年第 37 卷第 4 期

T
X = [x 1 , x 2 ,..., x n ] ∈ R n×d 是图的特征矩阵, 图上节点之间的连接关系也可被表示为邻接矩阵 A ∈ R N×N , 其中若节点
v i 和 v j 之间存在边的连接, 则 A i j = 1.
V a , 其中的标
本文关注的是节点级别的异常检测. 因此, 图上节点可以被划分为正常节点集 V n 和异常节点集
签信息分别被定义为 y i = 0 和 y j = 1, V n ∪V a = V, V n ∩V a = ∅. 一般来说, 在每个图数据上, |V a |≪|V n |. 图异常检测的
目标是学习一个异常分数函数 (也可被称为异常检测模型) f : V → R, 可得到关系: f (v) > f (v ), 其中 ∀v ∈ V a ∀v ∈ V n .
,
′
′
在常规的设置中, 通常需要对每个数据集训练出一个模型进行异常检测. 在这里, 我们面向更具有现实意义的
设置, 开发一个通用的图异常检测模型, 可检测来自不同领域或不同图数据集上的异常节点, 仅需极少量正常样
本, 无需对目标数据集进行任何新的训练. 遵循 Liu 等人 [7] 近期的研究工作, 该设置被称为可泛化的图异常检测问
{ }
T train = D 1 ,...,D N D i =
题. 形式上的, 令 train train 为训练数据集的集合, 其中每个来自任意域的标记数据集可被定义为 train
( i i )
G ,y . 在这里, 我们的目标是在 T train 的基础上学习一个可泛化的图异常检测模型 f(·), 其中 f(·) 可用来识别
train train
{
N ′ }
任何测试数据集 T test = D ,...,D test 上的异常节点. 在测试阶段, 遵循正常少样本推断的范式, 即对于每个目标数
1
test
据集, 提供 n k (n k ≪ n) 个正常样本作为上下文以获得相关知识.
2.2 特征统一化
本文的目的是设计一个通用的网络来进行跨数据集的图异常检测, 所以网络的输入维度需要统一. 另外, 鉴于
图中节点特征的维度存在显著差异, 如 Cora 为 1 433, CiteSeer 为 3 327, 为消除图间特征异构性, 需将节点特征映
射至共享特征空间. 参考已有研究成果, 本工作采用奇异值分解 (SVD) 这一有效的降维方法 [42] . SVD 可将高维特
征投影至统一的低维子空间, 并且能够较好地保持原始数据的距离关系. 对于任意一个数据集的特征矩阵: X ∈ R n×d ,
操作过程可定义如下:

SVD n×d ′
X ∈ R n×d → ˜ X ∈ R (1)
[43]
其中, d 是所有数据集共享的预定义转换后的特征维度. 这里的降维方法不限于 SVD, 也可基于主成分分析 (PCA) 、
′
典型相关性分析 (CCA) [44] 等进行转换.
同时, 虽然特征投影能够统一维度, 但不同数据集中投影特征的语义含义仍存在差异, 即不同位置的特征对应
着不同的含义. 因此, 借鉴 ARC [10] 中提出的方法, 我们基于特征对异常检测任务的实际贡献进行对齐. 形式上, 给
˜ X, 特征贡献度可定义如下:
定特征矩阵

( ) 1 ∑ ( ) 2
˜
c k X = − ˜ X ik − ˜ X jk (2)
|E| ( v i ,v j) ∈E
c k 表示连接节点之间的第 个特征发生了显著变化, 对应于高频图信号. 基于此, 我们可以将投影后
其中, 较低的 k
′
的特征按照贡献度进行重排序为 X , 从而进一步对齐每个数据集的特征空间.
3 基于全局残差信息协作的可泛化图异常检测方法 GRAD
本节针对可泛化图异常检测问题中的两个关键难点: 1) 学习有效的数据集无关的通用表示, 2) 局部与全局信
息的高效融合, 提出了一种全局和局部残差信息联合感知的框架 GRAD. 具体来说, 如图 3 所示, 为了缓解在获取
局部残差特征时结构信息不足或不准确造成的影响, 我们首先基于节点特征, 利用线性 Transformer 进行高效的结
构学习, 并结合隐藏层表征得到全局残差信息, 该操作也可视作对局部和全局信息进行解耦学习. 在这里, 线性
Transformer 可建模节点之间的全局相关性, 以补充仅利用原始结构不能捕获的远程信息. 同时, 也可摆脱传统注
意力机制计算过程中的高计算复杂度的困境. 接着, 我们将局部与全局残差信息按列拼接作为每个节点的通用性
表示, 最后, 在少量正常节点的引导下, 进行基于注意力机制的重建学习. 在测试过程, 重建距离可作为异常分数,
即重建距离大的节点有更大的可能是异常节点. 接下来, 本文将分别介绍 GRAD 方法中的 3 个关键技术.
3.1 基于局部残差信息的表示学习
在常规的图异常检测问题下, 我们可采用基于 GNN 的图编码器来学习融合语义与结构信息的节点嵌入, 该
嵌入将作为下游异常评分模块的输入. 但对于多个数据集, 正常与异常的模式之间是有差异的, 直接利用节点嵌入