GFM4GA：面向群体异常检测的图基础模型

群体异常检测在众多网络应用中至关重要，但因异常模式多样而面临挑战。受大语言模型（LLM）在自然语言处理领域成功的启发，图基础模型（GFM）被提出以在较少标注下处理少样本学习任务。GFM 已成功应用于个体异常检测，但无法泛化到群体异常，因为群体异常模式必须作为整体检测，而异常群体中的个体可能看起来相当正常。因此，我们提出 GFM4GA，一个面向群体异常检测的新型图基础模型。该流程通过基于特征估计与群体提取的双层对比学习进行预训练，以捕捉潜在的群体异常结构与特征不一致性。在下游任务中，该流程在参数受限与按群体异常比例加权的少样本设定下微调，并通过由已标注异常邻居确定的群体上下文扩展其对未见群体异常的适应能力。实验表明，GFM4GA 超过群体异常检测器与面向个体异常的 GFM，AUROC 平均提升 2.85%，AUPRC 平均提升 2.55%。