arXiv cs.AI· Hezhe Qiao, Chaoxi Niu, Ling Chen, Guansong Pang·· 2 天前AI 评分26
AnomalyGFM：面向零样本/少样本图异常检测的图基础模型
AnomalyGFM: Graph Foundation Model for Zero/Few-shot Anomaly Detection
AI 导读
AnomalyGFM 是一个面向图异常检测的图基础模型，支持在多样图数据集上做零样本推理与少样本提示微调。它通过预训练将可学习的正常/异常类原型与节点表示残差对齐，学习图无关的判别性原型，从而对新图（含超大规模图）实现零样本检测。在 11 个真实异常数据集上，其零样本与少样本设置均显著优于现有 SOTA 方法，论文已被 KDD2025 接收。
正文 · AI 翻译
摘要：图异常检测（GAD）旨在识别图中与大多数节点不同的异常节点，近年来受到了广泛关注。现有的通用图模型在不同图任务中取得了显著成功，但难以泛化到 GAD 任务。这一局限源于它们难以学习到能够捕捉来自不同领域的图中固有的低频、不规则且异构的异常模式的泛化知识。为应对这一挑战，我们提出了 AnomalyGFM，一种面向 GAD 的图基础模型，支持在多样化的图数据集上进行零样本推理和少样本提示微调以完成 GAD。一个关键洞见是：要支持跨不同图的有效零样本/少样本 GAD，需要具备与图无关的正常类和异常类表示。受此启发，AnomalyGFM 经过预训练，将数据无关、可学习的正常类和异常类原型与节点表示残差（即节点相对于其邻居的表示偏差）对齐。残差特征本质上将节点信息投影到一个统一的特征空间中，在该空间中我们可以以一致的方式有效度量来自不同图的节点的异常程度。这为学习正常类和异常类的图无关、判别性原型提供了驱动力，这些原型可用于在新图上实现零样本 GAD，包括超大规模图。如果新图中存在少量有标签的正常节点，AnomalyGFM 还可以进一步支持提示微调，以利用这些节点实现更好的适应。在 11 个广泛使用且包含真实异常的 GAD 数据集上进行的全面实验表明，在零样本和少样本 GAD 设置下，AnomalyGFM 均显著优于最先进的竞争方法。
| 评论： | 已被 KDD2025 接收 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2502.09254 [cs.LG] |
| （或 arXiv:2502.09254v3 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2502.09254 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Hezhe Qiao [查看邮箱]
[v1]
2025年2月13日星期四 12:10:05 UTC（2,770 KB）
[v2]
2025年6月1日星期日 13:38:06 UTC（2,296 KB）
[v3]
2026年10月27日星期二 05:50:56 UTC（2,290 KB）
来源：arXiv cs.AI · arxiv.org