Page 130 - 《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 1571

究方向之一. 另外, 可以发现, 在结构缺失的情况下, 受益于提出的全局信息模型, 变体无局部的性能在大部分数据
集上是较好的, 其中, 在 BlogCatalog 上展现出了最佳性能. 需要说明的是, 该处的无全局变体可视作为方法 ARC,
性能有区别的原因在于无全局变体的实现是在 GRAD 的基础上进行, 在超参数的设置上与 ARC 有所不同. 可以
发现, 在 8 个数据集的平均 AUROC 性能上, ARC 为 77.20%, 无全局变体为 77.13%, GRAD 为 79.05%, 因此可验
证所提出方法的有效性.
4.5 参数影响分析
本节探究模型中 3 个参数的敏感性, 即局部与全局残差信息之间的权衡参数 λ、隐藏层大小 d r 和正常样本数

据 n k . 对于 λ, 我们的参数选择范围设置在{1, 0.1, 0.01, 0.001, 0.000 1}之中. 从图 5 中可以发现, 如 Cora、CiteSeer、
Facebook 这类节点数量较少的数据集, 性能最优在 0.001 处取得, 如 Reddit 和 Amazon 这类节点数量较多的数据
集, 性能最优在 0.01 处取得. 背后的原因在于在节点数量多的图中, 全局信息更为丰富, 在此任务中的贡献会较大.
为更符合现实场景, 我们将此参数统一设置为 0.01. 对于 n k , 我们的参数选择范围设置在{2, 5, 10, 15, 20}之中, 对
应的结果展示在图 6. 可以发现, 整体的趋势是, 模型的性能随着上下文正常样本数量的增加而提高. 同时, 在上下
文节点数量较小时, 模型的性能在大多数数据集上的表现仍然是良好的. 对于 d r , 我们的参数选择范围设置在:
{128, 256, 512, 1 024, 2 048}之中. 从图 7 中的结果可以发现的是, 大部分数据集在 1 024 处取得最佳性能, 在大于 1 024
后的性能增益较少. 同时, 该参数的选择是相对不敏感的, 较小的取值也能达到较好的性能表现. 在本文中, 该值被
统一设置为 1 024.

95 100
90
85
AUROC (%) 75 AUROC (%) 80
65
70
55
45 60
50
35 40
10 0 10 −1 10 −2 10 −3 10 −4 2 5 10 15 20
λ n k
Cora CiteSeer ACM BlogCatalog Cora CiteSeer ACM BlogCatalog
Facebook Weibo Reddit Amazon Facebook Weibo Reddit Amazon
图 5 局部与全局信息的权衡参数 λ 图 6 正常样本数量参数 n k

100
90
AUROC (%) 80
70
60
50
40
128 256 512 1 024 2 048
d r
Cora CiteSeer ACM BlogCatalog
Facebook Weibo Reddit Amazon
图 7 隐藏层大小参数 d r
5 总 结

图异常检测作为识别网络中显著偏离常规节点的重要任务, 在医疗、金融等隐私敏感领域具有广泛应用. 但
现有方法面临两大核心问题: 一是依赖数据集特定训练范式导致的高成本与弱泛化性, 难以适应跨数据应用等场
景; 二是基于邻居信息的残差特征策略存在固有缺陷, 包括 GNN 建模的局限性、幂律分布下的邻居稀疏性以及
噪声干扰. 针对这些问题, 本文提出全局与局部残差信息联合感知的泛化图异常检测方法 GRAD. 该方法通过结合