自行检测：面向少样本图异常检测的自设计代理工作流
提出SignGAD框架，通过自设计检测工作流替代固定流水线，引入保护性最终重拟策略，在少样本场景下显著提升图异常检测性能。
文章情报
工程师进阶
要点
- SignGAD将图异常检测从训练固定检测器转变为设计任务条件检测工作流
- 框架能选择合适图编码和检测器设计以利用任务特定异常证据
- 引入保护性最终重拟策略，校准重拟接受度，增强有限监督下的可靠性
- 在多个真实数据集上达到领先性能
为什么重要
这条新闻值得关注，因为SignGAD将图异常检测从训练固定检测器转变为设计任务条件检测工作流。
技术影响
可能影响 Agent 架构、工具调用、工作流自动化和产品集成。
图异常检测在现实应用中至关重要，旨在识别属性图中的异常节点。然而，现有方法面临两大挑战：固定流水线限制了在少量监督下对不同图任务的适应性；弱证据无法显式融合上下文和结构异常信号。为此，本文提出SignGAD（自设计代理工作流用于少样本图异常检测）框架。SignGAD颠覆传统范式，将图异常检测从训练固定检测器转变为设计任务条件检测工作流。通过构建检测工作流，SignGAD能选择最合适的图编码和检测器设计，从而挖掘任务特定的异常证据。具体而言，框架在每次任务中动态组合不同的图编码（如GCN、GAT等）和检测器（如自编码器、一类分类器等），以适应不同的异常模式。此外，框架引入保护性最终重拟策略，通过校准重拟接受度来优化所选工作流，避免过拟合，提升有限监督下的可靠性。在多个真实数据集（如Amazon、YelpChi、Elliptic等）上的大量实验表明，SignGAD相较于现有最优方法（如GAD-NR、OCGCN等）表现出强劲性能，在AUC和F1分数上均有显著提升。该论文由Tairan Huang等七位作者共同完成，于2026年5月26日提交至arXiv，论文编号为2605.27470。研究代码和数据集已公开，以便复现。SignGAD的工作流自设计思想为图异常检测领域提供了新的思路，尤其在少样本和跨任务场景下具有广阔应用前景。