[論文レビュー] TA-GGAD: Testing-time Adaptive Graph Model for Generalist Graph Anomaly Detection

Xiong Zhang, Hong Peng+4 more|arXiv (Cornell University)|Mar 10, 2026

Advanced Graph Neural Networks被引用数 0

ひとこと要約

TA-GGADは、一般的なグラフ異常検知のためのテスト時適応フレームワークを提案し、ドメイン間の異常不一致を緩和することで、さまざまなグラフに対するゼロショットの最先端性能を達成します。

ABSTRACT

A significant number of anomalous nodes in the real world, such as fake news, noncompliant users, malicious transactions, and malicious posts, severely compromises the health of the graph data ecosystem and urgently requires effective identification and processing. With anomalies that span multiple data domains yet exhibit vast differences in features, cross-domain detection models face severe domain shift issues, which limit their generalizability across all domains. This study identifies and quantitatively analyzes a specific feature mismatch pattern exhibited by domain shift in graph anomaly detection, which we define as the \emph{Anomaly Disassortativity} issue ($\mathcal{AD}$). Based on the modeling of the issue $\mathcal{AD}$, we introduce a novel graph foundation model for anomaly detection. It achieves cross-domain generalization in different graphs, requiring only a single training phase to perform effectively across diverse domains. The experimental findings, based on fourteen diverse real-world graphs, confirm a breakthrough in the model's cross-domain adaptation, achieving a pioneering state-of-the-art (SOTA) level in terms of detection accuracy. In summary, the proposed theory of $\mathcal{AD}$ provides a novel theoretical perspective and a practical route for future research in generalist graph anomaly detection (GGAD). The code is available at https://anonymous.4open.science/r/Anonymization-TA-GGAD/.

研究の動機と目的

• 跨ぐドメイン間のグラフ異常パターンの不一致としてのAnomaly Disassortativity (AD) を特定・定量化する。
• ターゲットドメインの再学習を要さずにグラフ間で一般化する統一GGADモデルを開発する。
• ノードレベルの不規則性と構造レベルの不規則性を捉える高次・低次の異常スコアリングを提案する。
• ゼロショット適応と疑似ラベルのリファインを可能とするテスト時アダプタを導入する。
• 包括的な実験を通じて、14の実世界グラフで強力なドメイン横断一般化を示す。

提案手法

• Anomaly Disassortativity (AD) をノード Disassortativity (ND) と Structure Disassortativity (SD) の組み合わせとして定義・定量化する。
• TA-GGADを4つのモジュールで提案する：高次の異常スコアリング（ノードレベルの残差）、低次の異常スコアリング（構造レベルの親和性）、Anomaly Disassortativity Adapter (ADA)、Testing-time Adapter (TSA)。
• 高次スコアリングは多跳GNNからの残差表現と残差対比損失を用いて、正常ノードと異常ノードを分離する。
• 低次スコアリングは親和性エンコーダと親和性最大化損失を用いて局所構造の適合性を捉える。
• ADAはNDとSDの指標を用いて残差ベースのスコアと親和性ベースのスコアを適応的に融合し、チャネルのバランスを取る。
• TSAはテスト時に多数決で疑似ラベルを精製し、複数のスコアチャネルを組み合わせる重みを学習する。

Figure 1: A case of the Anomaly Disassortativity ( $\mathcal{AD}$ ) issue in Generalist Graph Anomaly Detection. The anomaly pattern (a) is much different from (b).

実験結果

リサーチクエスチョン

• RQ1 ノード挙動の跨ドメイン不整合をどのようにモデル化・測定できるか（NDとSD）？
• RQ2 複数のソースグラフで訓練した単一モデルは、再訓練なしで未知のターグラフに一般化できるか（GGAD）？
• RQ3 高次ノード差異と低次構造手がかりをテスト時適応と統合することで、多様なグラフでゼロショット異常検知は改善されるか？

主な発見

• TA-GGADはドメイン横断異常検知で最先端を達成し、13の主要データセットのうち11データセットで第1位。
• CSデータセットでは、TA-GGADは前回のSOTA ARCよりAUROCを15.73%向上；Facebookでは14.78%；ACMでは8.90%。
• TA-GGADは平均順位1.23を維持し、ランダムシード間の分散が小さい。
• アブレーションにより、ADAとTSAは補完的な効果をもたらし、TA-GGAD全体がデータセットを通じて最良の結果を生む。
• 相関分析により、NDとSDから導かれるAD*が大きいAUROCの増分と一致し、ADがドメイン横断適応性の予測因子として妥当であることを検証する。

Figure 2: Overview of TA-GGAD