Page 124 - 《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 1565

可能导致模型过度拟合数据集特定的语义信息, 却无法识别跨数据集的共享异常特征, 从而导致泛化性差. 因此,
在本文中, 我们利用节点表示的残差进行学习, 即节点基于邻居传播前后的表示差值. 通过差分运算的操作, 可以
有效抑制原始表示中与数据集相关的成分, 从而增强异常相关信号的相对强度. 在这种表示空间中, 残差幅值直接
反映节点的异常程度, 较大的残差特征对应更高的异常概率. 在操作上, 首先, 我们选取先传播后转换的架构对节
l
′
0
点进行表示学习. 对于一个图, 假设对齐后的初始节点特征矩阵为: X = X , 则第 次传播时的特征可被形式化为:

l
X = ˜ AX l−1 (3)
0
l
l
l
其中, ˜ A 是归一化的邻接矩阵. 经过 次传播后, 可得到 个特征矩阵: {X ,..., X }. 接着, 我们借助多层感知器 g(·)
将特征映射到高维空间:

( )
l
Z = g X ∈ R n×d r (4)
l

全局信息 训练/测试数据
…
0.12
x 1 …
W q W k W v
x 2
… … 0.78
线性 Transformer x n
特
G 1 (X 1 ′, A 1 ) 上下文重建损失/
征
… 提 对于每个数据集 异常分数
取 …
… … 残差特征 x 1 0.23
多层 GNN …
生成 x 2
… 0.32
… x n k
0.89
G j (X j ′, A j ) 极少量正常参考样本
局部信息
(a) 基于全局信息协作的残差特征提取 (b) 基于交叉注意力机制的重建
图 3 GRAD 的整体流程图

在此基础上, 我们可以计算残差特征, 当 l > 0 时, 对于第 l 层的表示被定义为:

l
l
R = Z − Z 0 (5)
接着, 将 l 个残差特征表示按列拼接, 得到局部视角的表示:

[ ]
1
H local = R ||...|| R l (6)
3.2 基于全局残差信息的表示学习
在获得局部视角下的残差特征信息后, 若直接应用于异常检测, 会存在以下两个关键问题: (1) 邻域依赖性问
题: 残差计算对邻居表示具有强依赖性, 但实际网络的幂律分布特性 (图 2) 导致部分节点的邻域信息极度稀疏, 加
之复杂系统中难以避免的噪声边的干扰, 直接影响残差特征的有效性; (2) 表示学习局限性: 基于 GNN 的框架受制
于局部消息传递机制, 缺乏对全局异常模式的感知能力. 虽然深层架构可以扩展信息传播范围, 但会引发表征同质
化 (over-smoothing) 的负面效应. 因此, 本文拟基于特征进行全局性的结构学习和残差表示学习. 在以往的研究中
验证了 Transformer 中的全局注意力机制能够捕捉节点间隐含的依赖关系, 然而, 平凡的 Transformer 模型的计算
复杂度通常随节点数量呈二次方增长, 这限制了其应用的高效性. 因此, 我们借鉴已有的研究基础 [17] , 通过调整矩
阵运算规则等操作实现了线性复杂度. 对于全局相关性的建模, 也可从以下两方面入手: (1) 利用多层图神经网络
来建模多跳信息, 从而扩充节点的全局视野. (2) 数据增广. 对于原始图数据, 基于邻接矩阵, 利用图扩散 [14] 技术
(如 PageRank 等) 进行增广, 得到一个相对稠密的图, 在此图上进行表示学习可建模全局相关性. 在本文中, 我们选
用了高效便捷的线性 Transformer 进行建模. 具体的操作过程如下.
′
′
′
对于任意图数据, 给定初始特征矩阵 X , 首先利用单层的神经网络将其映射到隐空间: Z = h(X ). 接着, 我们