arXiv cs.AI· Junjun Pan, Yixin Liu, Yu Zheng, Fuyi Li, Alan Wee-Chung Liew, Shirui Pan·· 11 小时前AI 评分29
GenGLAD：面向通用图级异常检测的统一模型
Towards Generalist Graph-Level Anomaly Detection
AI 导读
研究提出通用图级异常检测方法 GenGLAD，用单一统一模型跨多个领域检测异常图，目标数据仅需极少监督。该方法以基于图神经网络的判别性子图提取为核心学习可迁移的异常知识，测试时通过子图与多级上下文的多维差异刻画异常，并用轻量评分模块自动选择最有信息量的信号。实验显示其在多个基准数据集上性能、泛化能力和数据效率均优于现有方法，论文已被 NIPS26 接收。
正文 · AI 翻译
摘要：图级异常检测（GLAD）旨在识别显著偏离大多数的图。尽管近期进展已取得有竞争力的性能，现有方法主要遵循数据集特定范式，在应用于新应用场景时需要大量域内数据和训练成本。这限制了它们在标注数据稀缺且多样领域不断涌现的真实应用中的可扩展性和实用性。本文研究通用 GLAD 问题，旨在学习一个单一统一模型，能够在目标数据上以最少监督检测跨多个领域的异常图。该问题带来关键挑战，包括从异构图数据集中学习可迁移模式以及在有限监督下进行有效适应。为应对这些挑战，我们提出 GenGLAD，一种通用 GLAD 方法，利用判别性子图提取作为核心机制来学习可迁移异常知识并实现对新领域的高效适应。具体而言，GenGLAD 采用基于图神经网络的判别性子图提取模型来学习跨多样领域区分异常图和正常图的异常判别性子结构。在测试时适应阶段，计算提取子图与多级上下文信息之间的多维差异，以从多个角度刻画异常。为实现高效适应，引入轻量级评分模块自动决定最具信息量的信号，提高对误导性模式的鲁棒性。在多样基准数据集上的大量实验表明，所提方法相比现有方法实现了强性能、更优泛化能力和更高的数据效率。
| 评论： | 被 NIPS26 接收 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2611.07706 [cs.AI] |
| （或 arXiv:2611.07706v1 [cs.AI] 为此版本） | |
| https://doi.org/10.48550/arXiv.2611.07706 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Junjun Pan 先生 [查看邮箱]
[v1]
2026年11月5日 星期四 09:26:57 UTC（747 KB）
来源：arXiv cs.AI · arxiv.org