自行檢測：面向少樣本圖異常檢測的自設計代理工作流
提出SignGAD框架，通過自設計檢測工作流替代固定流水線，引入保護性最終重擬策略，在少樣本場景下顯著提升圖異常檢測性能。
來源arXiv Machine Learning作者: Tairan Huang, Qiang Chen, Yili Wang, Yueyue Ma, Changlong He, Xiu Su, Yi Chen
圖異常檢測在現實應用中至關重要，旨在識別屬性圖中的異常節點。然而，現有方法面臨兩大挑戰：固定流水線限制了在少量監督下對不同圖任務的適應性；弱證據無法顯式融合上下文和結構異常信號。為此，本文提出SignGAD（自設計代理工作流用於少樣本圖異常檢測）框架。SignGAD顛覆傳統範式，將圖異常檢測從訓練固定檢測器轉變為設計任務條件檢測工作流。通過構建檢測工作流，SignGAD能選擇最合適的圖編碼和檢測器設計，從而挖掘任務特定的異常證據。具體而言，框架在每次任務中動態組合不同的圖編碼（如GCN、GAT等）和檢測器（如自編碼器、一類分類器等），以適應不同的異常模式。此外，框架引入保護性最終重擬策略，通過校準重擬接受度來優化所選工作流，避免過擬合，提升有限監督下的可靠性。在多個真實數據集（如Amazon、YelpChi、Elliptic等）上的大量實驗表明，SignGAD相較於現有最優方法（如GAD-NR、OCGCN等）表現出強勁性能，在AUC和F1分數上均有顯著提升。該論文由Tairan Huang等七位作者共同完成，於2026年5月26日提交至arXiv，論文編號為2605.27470。研究代碼和數據集已公開，以便復現。SignGAD的工作流自設計思想為圖異常檢測領域提供了新的思路，尤其在少樣本和跨任務場景下具有廣闊應用前景。