GLASS：利用球面评分进行图-语言对齐，以实现可迁移的图级异常检测

arXiv:2609.05253v2 公告类型：替换 摘要：我们提出 GLASS，这是一种图级异常检测（GLAD）框架，通过在单位超球面上进行图-语言对齐，实现稳健的跨域可迁移性。GLASS 通过多切片软余弦目标函数，将结构感知图编码器与指令感知文本嵌入进行对齐，从而构建统一的表示空间。我们的框架将图的局部、全局和语义属性序列化为紧凑的 Graph Descriptor Prompt（GraphDP），建立文本桥梁，实现与域无关的异常评分。通过利用 Matryoshka 表征切片强制执行多尺度一致性，该模型能够在多个粒度层级捕捉异常偏差。我们将异常检测表述为对齐超球面上的密度估计，并引入 Spherical Multi-Modal Scoring（SMS），在图嵌入空间和文本嵌入空间中分别实例化 von Mises-Fisher 核密度估计器。这一概率建模形式在高集中度极限下还原了基于角度的 1-近邻评分，促成了实用的均值 k-近邻评分器，并为结构异常信号与语义异常信号的融合提供了原则性方法。共享的文本嵌入空间还可作为跨域桥梁：无需目标域训练数据，只需对目标域的 GraphDP 进行编码，GLASS 即可执行零样本异常检测；仅使用少量正常样本时，则可通过参考集校准进行少样本适配。针对隐私敏感型部署场景，我们进一步以有界的联合图-文本核摘要扩展参考集校准，在保持编码器固定且不依赖私有目标参考数据的同时，为图记录提供差分隐私。在十二个基准数据集和三个元域上，与近期先进的 GLAD 基线方法相比，GLASS 取得了最佳平均 AUROC 和排名，并实现了有效的跨域迁移。