通用图异常检测是否需要真实世界训练数据？
Is Real-World Training Data Necessary for Generalist Graph Anomaly Detection?
精选理由
深度 91 / 新颖度 86，来自 arXiv cs.LG。
AI 摘要
arXiv:2610.12167v1 公告类型：新 摘要：通用图异常检测（GAD）旨在构建一种基础模型，无需重新训练或微调即可检测任意未见图中的异常。然而，充足的数据对于基础模型训练至关重要，而通用 GAD 仍面临数据短缺问题，因为真实世界的异常图稀缺且收集和标注成本高昂。为弥补这一缺口，我们提出了 AG-FORGE，一种用于自动合成异常图的异常图生成框架，探索由合成数据驱动的通用 GAD 训练的可行性。实证结果表明，合成数据能够达到与真实世界训练相当的性能，但由于现有方法的能力有限，无法进一步突破性能上限。为在训练数据规模扩大时进一步释放模型能力，我们开发了 TS-GGAD，这是一种拓扑—语义协同的通用 GAD，能够捕获互补的拓扑异常证据和语义异常证据，并结合了针对大规模合成训练设计的课程学习策略。在 14 个真实世界数据集上的大量实验表明，使用 AG-FORGE 生成的数据进行训练的 TS-GGAD 显著优于当前最先进的方法。