[논문 리뷰] TA-GGAD: Testing-time Adaptive Graph Model for Generalist Graph Anomaly Detection

Xiong Zhang, Hong Peng외 4명|arXiv (Cornell University)|2026. 03. 10.

Advanced Graph Neural Networks인용 수 0

한 줄 요약

TA-GGAD는 도메인 간 이상치 이질화를 완화하는 일반 그래프 이상 탐지를 위한 테스트 시 적응 프레임워크를 제시하며, 다양한 그래프에서 최첨단 제로샷 성능을 달성합니다.

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/.

연구 동기 및 목표

• 그래프 이상 패턴 간의 교차 도메인 불일치를 Anomaly Disassortativity(AD)로 식별하고 정량화한다.
• 대상 도메인 재학습 없이 그래프 전반에 일반화되는 통합 GGAD 모델을 개발한다.
• 노드 수준 및 구조 수준의 불규칙성을 포착하기 위해 고차 및 저차 이상 탐지 점수를 제안한다.
• 제로샷 적응 및 의사 레이블 정제를 가능하게 하는 테스트 시간 어댑터를 도입한다.
• 철저한 실험을 통해 14개의 실제 그래프에서 강력한 교차 도메인 일반화를 입증한다.

제안 방법

• Anomaly Disassortativity(AD)를 Node Disassortativity(ND)와 Structure Disassortativity(SD)의 결합으로 정의하고 정량화한다.
• 네 가지 모듈로 구성된 TA-GGAD를 제안한다: 고차 이상 탐지 점수(노드 수준 잔차), 저차 이상 탐지 점수(구조 수준 친화도), Anomaly Disassortativity Adapter(ADA), Testing-time Adapter(TSA).
• 고차 점수는 다중 홉 GNN에서의 잔차 표현과 잔차 대조 손실을 사용하여 정상 노드와 이상 노드를 구분한다.
• 저차 점수는 친화도 인코더와 친화도 최대화 손실을 사용하여 지역 구조 일치를 포착한다.
• ADA는 ND와 SD 지표를 사용하여 잔차 기반 점수와 친화도 기반 점수를 적응적으로 융합해 채널 간 균형을 맞춘다.
• TSA는 테스트 시 다수 표결을 통해 의사 레이블을 정제하고 여러 점수 채널을 결합하기 위한 가중치를 학습한다.

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).

실험 결과

연구 질문

• RQ1 크로스 도메인에서의 이상 노드 행동의 불일치를 어떻게 모델링하고 측정할 수 있는가(ND와 SD)?
• RQ2 여러 소스 그래프에서 학습된 단일 모델이 재학습 없이 보이지 않는 대상 그래프에 일반화할 수 있는가(GGAD)?
• RQ3 고차 노드 불일치와 저차 구조 단서를 테스트-타임 적응과 통합하는 것이 다양한 그래프에서 제로샷 이상 탐지 성능을 향상시키는가?

주요 결과

• TA-GGAD는 교차 도메인 이상 탐지에서 최첨단 성능을 달성하여 13개 핵심 데이터셋 중 11개에서 1위를 차지했다.
• CS 데이터셋에서 TA-GGAD는 이전 SOTA ARC 대비 AUROC를 15.73% 향상시켰고; Facebook에서 14.78%; ACM에서 8.90%이다.
• TA-GGAD는 무작위 시드 전반에 걸쳐 평균 랭크 1.23을 유지하며 분산이 작다.
• 제거 실험은 ADA와 TSA가 보완적 이점을 제공함을 보여주며 전체 TA-GGAD가 모든 데이터셋에서 가장 좋은 성능을 낸다.
• 상관 분석은 ND와 SD에서 파생된 더 높은 AD*가 더 큰 AUROC 이득과 일치함을 보이며, AD를 교차 도메인 적응성의 예측자로서 타당함을 검증한다.

Figure 2: Overview of TA-GGAD