[論文レビュー] OWLEYE: Zero-Shot Learner for Cross-Domain Graph Data Anomaly Detection

Lecheng Zheng, Dongqi Fu+2 more|arXiv (Cornell University)|Jan 27, 2026

Advanced Graph Neural Networks被引用数 0

ひとこと要約

OwlEyeは、転移可能な正常パターン辞書を学習し、クロスドメインの特徴を整列させ、テストラベルなしで文脈内の異常検知を行う、ゼロショットのクロスドメイングラフ異常検知器です。

ABSTRACT

Graph data is informative to represent complex relationships such as transactions between accounts, communications between devices, and dependencies among machines or processes. Correspondingly, graph anomaly detection (GAD) plays a critical role in identifying anomalies across various domains, including finance, cybersecurity, manufacturing, etc. Facing the large-volume and multi-domain graph data, nascent efforts attempt to develop foundational generalist models capable of detecting anomalies in unseen graphs without retraining. To the best of our knowledge, the different feature semantics and dimensions of cross-domain graph data heavily hinder the development of the graph foundation model, leaving further in-depth continual learning and inference capabilities a quite open problem. Hence, we propose OWLEYE, a novel zero-shot GAD framework that learns transferable patterns of normal behavior from multiple graphs, with a threefold contribution. First, OWLEYE proposes a cross-domain feature alignment module to harmonize feature distributions, which preserves domain-specific semantics during alignment. Second, with aligned features, to enable continuous learning capabilities, OWLEYE designs the multi-domain multi-pattern dictionary learning to encode shared structural and attribute-based patterns. Third, for achieving the in-context learning ability, OWLEYE develops a truncated attention-based reconstruction module to robustly detect anomalies without requiring labeled data for unseen graph-structured data. Extensive experiments on real-world datasets demonstrate that OWLEYE achieves superior performance and generalizability compared to state-of-the-art baselines, establishing a strong foundation for scalable and label-efficient anomaly detection.

研究の動機と目的

• グラフデータのドメイン横断的な異質性を、テスト時のラベルに依存せずに解決する。
• 複数のソースから正常パターンの知識を転移して、未知グラフでのゼロショット異常検知を実現する。
• 再訓練を伴わずに正常パターンの辞書を更新することで継続学習を支援する。
• アテンションマップと辞書ベースの再構成による解釈可能な推論メカニズムを提供する。

提案手法

• PCAを用いて異種グラフ特徴を共通空間に射影・整列させ、ドメイン間のペアワイズ距離ベースの正規化を適用する。
• 動的辞書において複数グラフから属性レベルおよび構造レベルの正常パターンを学習・蓄積し、継続学習を行う。
• 構造レベル表現を用いて未知グラフのノードと蓄積パターンとの類似性を計算し、パターン選択を導く。
• トランケーション付き注意に基づく再構成を用いて、正常パターンからノード埋め込みを選択的に再構成し、潜在的な異常を除去する。
• 再構成損失とトリプレット損失を用いて正常パターンと異常パターンを分離し、頑健性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 異なるドメインのグラフ特徴を、ドメイン固有の意味を失うことなくどのように整列させることができるか？
• RQ2 継続学習可能な正常パターンの辞書は、未知グラフでのゼロショット異常検知を支援できるか？
• RQ3 ラベル付きテストデータがなくても、トランケーション付き注意再構成はゼロショット異常検知にどれだけ有効か？
• RQ4 OwlEyeはゼロショットおよび少数ショット設定において、最先端の総合GADモデルに対してどの程度性能優位性を持つか？

主な発見

• OwlEyeはゼロショット設定で、最高のゼロショット競合相手（ARC）を上回る平均AUPRCを達成。
• 10ショット評価で、OwlEyeはデータセット8件中6件で監視付き手法BWGNNおよびGHRNを上回る。
• すべての手法に対して10ショット情報を用いた場合、OwlEyeは8件中4件のデータセットでAURPCの最先端性能を達成し、最良の競合相手を5%以上上回る。
• アブレーション研究により、ドメイン横断特徴正規化、構造パターン学習、トランケーション付き注意のすべてがOwlEyeの頑健性に寄与することを示す。
• ケーススタディは、辞書に新しいパターンを追加して再訓練なしで継続学習を実現し、補助グラフを組み込むことで性能が向上することを示す。