Page 128 - 《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 1569

通过联合重构邻接矩阵和节点特征, 依据重构误差识别结构/属性异常.
● CoLA [38] : 采用对比自监督学习, 通过采样对比实例对并利用图局部信息, 无监督地建模节点与其邻域子结
构的关系, 将节点与子图的相似性作为自监督信号.
● HCM-A [50] : 将跳数预测作为自监督任务, 同时建模局部与全局上下文信息, 设计两种异常评分指标, 并引入
贝叶斯学习优化异常捕获能力.
● TAM [39] : 基于单类同质性和局部亲和性原理设计, 通过在截断邻接矩阵上端到端优化自定义的亲和度指标
来实现异常检测.
● ARC [10] : 一种基于上下文学习的可泛化的图异常检测方法, 能够仅使用少数正常节点实时识别异常, 该模型
的关键设计在于采用先验启发的残差表示来解决局部信息的不一致问题.
4.3 实验结果与分析
表 2 和表 3 中展现了在基准数据集上我们所提出的方法 GRAD 与对比方法的性能结果. 可以发现, 对比不同
范式下的方法, GRAD 有着较好的表现, 在不用微调的情况下, 在多个数据集上达到了具有竞争力的性能. 具体地,
相比于近期的 SOTA 方法 ARC, 在 8 个数据集上的平均 AUROC 和平均 AUPRC 分别提高了 1.9% 和 5.4%. 特别
地, 在 Amazon 数据集上有着显著的提升, 潜在的原因是在该数据集中全局残差信息对异常检测的重要性较高. 对
于在监督信息的引导下, 基于数据集进行事先训练的方法, 如 GCN 和 BGNN 等, 它们的竞争力是最弱的, 其性能
受限于对新数据集的泛化能力, 这体现了对可泛化图异常检测模型的需求. 对于无监督范式下的方法, 如 CoLA
和 DOMINANT 等, 展现出了较好的竞争力, 这归功于它们设计针对图异常检测的预置任务, 来进行的通用表示学
习, 这具有一定的泛化能力. 比如, 在 CoLA 中, 作者采样对比实例对并利用图局部信息, 无监督地建模节点与其邻
域子结构的异常关系. 另一个发现是, 在测试中针对数据集进行微调时, 并没有展现出一致的性能提升, 如在 Facebook
和 Weibo 上出现了负迁移的情况, 这体现了在此问题中需要改进微调策略.

表 2 AUROC 方面的异常检测性能 (平均值±标准差) (%)

Type Method Cora CiteSeer ACM BlogCatalog Facebook Weibo Reddit Amazon Average
GCN 59.64±8.3 60.27±8.1 60.49±9.6 56.19±6.3 29.51±4.8 76.64±17.6 50.43±4.4 46.63±3.4 54.98±6.6
GAT 50.06±2.6 51.59±3.4 48.79±2.7 50.40±2.8 51.88±2.1 53.06±7.4 51.78±4.0 50.52±17.2 51.01±4.0
Supervised-
pre-train only BGNN 42.45±11.5 42.32±11.8 44.00±13.6 47.67±8.5 54.74±25.2 32.75±35.3 50.27±3.8 52.26±3.3 45.81±4.1
BWGNN 54.06±3.2 52.61±2.8 67.59±0.7 56.34±1.2 45.84±4.9 53.38±1.6 48.97±5.7 55.26±16.9 54.26±3.4
GHRN 59.89±6.5 60.27±8.1 60.49±9.6 56.19±6.3 29.51±4.8 76.64±17.6 50.43±4.4 46.63±3.4 54.98±6.6
DOMINANT 66.53±1.1 69.47±2.0 70.08±2.3 74.25±0.6 51.01±0.7 92.88±0.3 50.05±4.9 48.94±2.6 65.40±1.8
Unsupervised- CoLA 63.29±8.8 62.84±9.5 66.85±4.4 50.04±3.2 12.99±11.6 16.27±5.6 52.81±6.6 47.40±7.9 46.56±6.0
pre-train only HCM-A 54.28±4.7 48.12±6.8 53.70±4.6 55.31±0.5 35.44±13.9 65.52±12.5 48.79±2.7 43.99±0.7 50.64±3.3
TAM 62.02±2.3 72.27±0.8 74.43±1.5 49.86±0.7 65.88±6.6 71.54±0.1 55.43±0.3 56.06±2.1 63.44±1.8
DOMINANT 72.23±0.3 74.69±0.3 74.34±0.1 74.61±0.1 49.92±0.5 92.21±0.1 52.14±5.0 59.06±2.8 68.65±1.1
Unsupervised-
CoLA 67.62±4.2 70.75±3.4 69.11±0.6 62.49±3.3 64.70±18.8 31.55±6.0 58.12±0.6 52.51±6.6 59.61±4.2
pre-train &
HCM-A 56.45±4.9 55.54±4.0 57.69±3.5 55.10±0.2 36.57±10.7 71.89±2.7 49.15±2.7 42.20±0.5 53.07±2.4
fine-tune
TAM 62.56±2.1 76.54±1.3 86.29±1.5 57.69±0.8 76.26±3.7 71.73±0.1 56.62±0.4 57.13±1.5 68.10±1.4
Few-shot without ARC 85.33±0.4 90.64±0.3 79.27±0.1 74.81±0.2 69.57±1.4 89.24±0.3 58.95±1.2 69.77±3.8 77.20±0.9
fine-tune Ours 86.89±0.8 91.07±0.5 79.95±0.1 74.26±0.1 65.46±1.8 90.07±0.2 60.01±0.4 84.66±2.9 79.05±0.8
注: 加粗为目前最好的实验结果, 下划线为次好的实验结果

表 3 AUPRC 方面的异常检测性能 (平均值±标准差) (%)

Type Method Cora CiteSeer ACM BlogCatalog Facebook Weibo Reddit Amazon Average
GCN 7.41±1.5 6.40±1.4 5.27±1.1 7.44±1.0 1.59±0.1 67.21±15.2 3.39±0.3 6.96±2.0 13.21±2.8
GAT 6.49±0.8 5.58±0.6 4.70±0.7 12.81±2.0 3.14±0.3 33.34±9.8 3.73±0.5 15.74±17.8 10.69±4.1
Supervised-
pre-train only BGNN 4.90±1.2 3.91±1.0 3.48±1.3 5.73±1.4 3.81±2.1 30.26±29.9 3.52±0.5 7.51±0.5 7.89±4.7
BWGNN 7.25±0.8 6.35±0.7 7.14±0.2 8.99±1.1 2.54±0.6 12.13±0.7 3.69±0.8 13.12±11.8 7.65±2.1
GHRN 9.56±2.4 7.79±2.0 5.61±0.7 10.94±2.5 2.41±0.6 28.53±7.3 3.24±0.3 7.54±2.0 9.45±2.2