图异常检测通过带属性的图结构识别异常节点，在实际应用中具有重要价值。然而，现有方法通常依赖固定的处理流水线，在监督信号有限的条件下难以适应不同图任务；同时，这些方法往往缺乏充分的证据整合能力，无法显式地将上下文信息与结构异常信号纳入检测过程。针对上述问题，来自 Tairan Huang 及另外六位作者的研究团队在 arXiv 上发布了论文《Detect by Yourself: Self-Designing Agentic Workflows for Few-Shot Graph Anomaly Detection》，提出名为 SignGAD 的新框架。
SignGAD 的核心思路是一次范式层面的转变：不再把图异常检测视为训练一个固定的异常检测器，而是将其重新表述为设计任务条件化的检测工作流。在这一框架下，系统会根据具体任务构建检测流程，并在此基础上选择适合的图编码方式和检测器设计，从而挖掘与该任务相关的异常证据。这一设计直接回应了固定流水线适应性不足的问题，使检测过程能够根据任务特征进行调整，而非所有任务共用同一套处理方式。
除工作流机制外，该论文还提出了带校验的最终重拟合策略（guarded final refit）。在选定工作流之后，该策略通过校准重拟合的接受条件来进一步精炼流程，从而在监督信号有限的情况下提升整体结果的可靠性。这一环节的意义在于，少样本场景中模型容易因过度拟合少量样本而产生不稳定输出，而带校验的重拟合机制为最终决策增加了一道约束。
作者在多个真实数据集上开展了实验，结果显示 SignGAD 相较当前先进方法取得了较强的性能表现。论文作者认为，这说明该框架在图异常检测任务上具有实际有效性。该工作被归入机器学习（cs.LG）与人工智能（cs.AI）领域，于 2026 年 5 月 26 日提交，全文约 32MB，并提供 PDF、实验性 HTML 版本及 TeX 源码等多种访问形式。