论文
通用图异常检测需要真实世界的训练数据吗？
Is Real-World Training Data Necessary for Generalist Graph Anomaly Detection?
摘要
通才图异常检测（GAD）旨在构建一个基础模型，无需重新训练或微调即可检测任意未见过的图上的异常。足够的数据对于基础模型训练至关重要，但通才 GAD 仍然面临数据短缺的问题，因为现实世界的异常图稀缺且收集和注释成本高昂。为了填补这一空白，我们提出了 AG-FORGE，一种用于自动合成异常图的异常图生成 Forge，探索合成数据驱动训练通才 GAD 的可行性。根据经验，我们发现合成数据可以实现与真实世界训练相当的性能，但由于现有方法的容量有限，无法进一步突破性能边界。为了随着训练数据规模的扩大进一步释放模型能力，我们开发了 TS-GGAD，这是一种拓扑-语义协调的通用 GAD，它可以捕获互补的拓扑和语义异常证据，以及针对大规模合成数据训练量身定制的课程学习策略。对 14 个真实世界数据集的大量实验表明 TS-GGAD 根据 AG-FORGE 生成的数据进行训练，其性能显着优于最先进的方法。