[논문 리뷰] OWLEYE: Zero-Shot Learner for Cross-Domain Graph Data Anomaly Detection

Lecheng Zheng, Dongqi Fu외 2명|arXiv (Cornell University)|2026. 01. 27.

Advanced Graph Neural Networks인용 수 0

한 줄 요약

OwlEye는 테스트 시 라벨 없이도 교차 도메인 그래프 이상 탐지기이며, 전달 가능한 정상 패턴 사전을 학습하고, 교차 도메인 특징을 정렬하며, 맥락 내 이상 탐지를 위해 트런케이트된 어텐션을 사용합니다.

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.

연구 동기 및 목표

• 테스트 시 라벨에 의존하지 않고 그래프 데이터의 교차 도메인 이질성을 해결한다.
• 여러 소스로부터 정상 패턴 지식을 전이하여 보지 않은 그래프에서 제로샷 이상 탐지를 가능하게 한다.
• 재훈련 없이 정상 패턴 사전을 업데이트하여 지속적 학습을 지원한다.
• 어텐션 맵과 사전 기반 재구성을 통한 해석 가능한 추론 메커니즘을 제공한다.

제안 방법

• PCA를 이용해 이질적인 그래프 특징을 공통 공간으로 투사하고 도메인 간 쌍별 거리 기반 정규화를 수행한다.
• 여러 그래프에서 속성 수준 및 구조 수준의 정상 패턴을 동적 사전에 학습 및 저장하여 지속적 학습에 활용한다.
• 구조 수준 표현을 사용해 보지 않은 그래프 노드와 저장된 패턴 간의 유사성을 계산해 패턴 선택을 안내한다.
• 정상 패턴으로부터 노드 임베딩을 선택적으로 재구성하기 위해 트런케이트된 어텐션 기반 재구성을 사용하고 잠재 이상치를 걸러낸다.
• 재구성과 트리플렛 기반 손실로 정상 패턴과 이상 패턴을 구분하고 강건성을 향상시키도록 최적화한다.

실험 결과

연구 질문

• RQ1 도메인 특유의 의미를 잃지 않으면서 이질적인 교차 도메인 그래프 특징을 어떻게 정렬할 수 있는가?
• RQ2 지속적 학습 가능한 정상 패턴 사전이 보지 않은 그래프에서 제로샷 이상 탐지를 지원할 수 있는가?
• RQ3 레이블링된 테스트 데이터 없이 제로샷 이상 탐지를 위한 트런케이트된 어텐션 재구성은 얼마나 효과적인가?
• RQ4 제로샷 및 푸샷 설정에서 OwlEye가 최첨단 일반 GAD 모델에 비해 어떤 성능 우위를 가지는가?

주요 결과

• OwlEye는 제로샷 설정에서 최고 제로샷 경쟁자(ARC)보다 평균 AUPRC가 더 높다.
• 10샷 평가에서 OwlEye는 8개 데이터셋 중 6개에서 지도 학습 방법 BWGNN과 GHRN을 능가한다.
• 모든 방법에 대해 10샷 정보를 제공하면 OwlEye는 8개 데이터셋 중 4개에서 AURPC 기준 최첨단 성능을 달성하고, 최고 경쟁자를 5% 이상 초과한다.
• 소거 연구는 교차 도메인 특징 정규화, 구조적 패턴 학습, 트런케이트된 어텐션이 모두 OwlEye의 강건성에 기여함을 보여준다.
• 사례 연구는 보조 그래프가 도입될 때 재훈련 없이 사전에 새로운 패턴을 추가하여 지속적 학습을 시연하고 성능을 향상시킴을 보여준다.