ProTAGAD：具有解耦拓扑和文本原型的 TAG 异常检测基础模型

文本属性图（TAG）具有丰富的文本内容和拓扑结构，已成为现实世界异常检测的多功能骨干，涵盖 大语言模型 安全、社交网络审核和网络威胁识别。与主要依赖于结构不规则性的传统图异常检测 (GAD) 不同，TAG 异常检测必须联合利用拓扑模式和细粒度文本语义来捕获细微的异常行为。当前基于 GNN 的异常检测器采用整体消息传递方案，在传播过程中不加区别地融合结构邻近性和文本语义，导致深度跨模态耦合。这种纠缠充当噪声放大器，模糊微妙的异常信号，并通过使正常与异常决策边界难以​​分离而直接引起模糊异常边界（BAB）问题。对于需要强大的跨域泛化的图基础模型来说，这一挑战进一步放大。为了弥补这一差距，我们引入了一种新颖的 TAG 异常检测基础模型，具有解耦的拓扑和文本原型。我们的框架构建了双原型库来独立建模结构常态和语义一致性，有效地隔离异常线索，否则这些异常线索在耦合聚合过程中会被稀释。跨 14 个不同基准数据集的广泛实验表明，我们的方法在跨域设置中始终如一地实现了最先进的性能。值得注意的是，消融研究进一步证实了传统耦合 TAG 异常探测器中 BAB 问题的普遍性，并表明我们的解耦原型设计有效地缓解了这一挑战。