[论文解读] 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 0

一句话总结

OwlEye 是一个零-shot 跨领域图异常检测器，学习可迁移的正常模式字典，对齐跨域特征，并使用截断注意力进行上下文异常检测，无需测试标签。

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.

研究动机与目标

• 在不依赖测试时标签的情况下解决图数据的跨域异质性问题。
• 通过从多个源头迁移正常模式知识，实现对未见图的零-shot 异常检测。
• 通过更新正常模式字典实现持续学习，无需重新训练。
• 通过注意力图和基于字典的重构提供可解释的推理机制。

提出的方法

• 使用 PCA 将异构图特征投影并对齐到一个公共空间，然后在域之间进行基于对距离的归一化。
• 从多张图中在动态字典中学习并存储属性层次和结构层次的正常模式，以支持持续学习。
• 使用结构层表示计算未见图节点与存储模式之间的相似度，以引导模式选择。
• 采用截断注意力的重构，在仅从正常模式中选择性重构节点嵌入的同时过滤潜在异常。
• 通过重构损失和三元组损失来区分正常和异常模式并提升鲁棒性。

实验结果

研究问题

• RQ1 如何在不丢失领域特异语义的前提下对异构跨域图特征进行对齐？
• RQ2 持续学习字典的正常模式是否能够支持对未见图的零-shot 异常检测？
• RQ3 在没有带标签测试数据的情况下，截断注意力重构在零-shot 异常检测中的效果如何？
• RQ4 与最先进的通用 GAD 模型相比，OwlEye 在零-shot 和少-shot 设置下的性能优势体现在哪些方面？

主要发现

• OwlEye 在零-shot 设置中，平均 AUPRC 超过最佳零-shot 竞争者（ARC）。
• 在 10-shot 评估中，OwlEye 在 8 个数据集中的 6 个数据集上优于有监督方法 BWGNN 和 GHRN。
• 在所有方法均具备 10-shot 信息的情况下，OwlEye 在 8 个数据集中的 4 个数据集上达到 AURPC 的最新状态，超越最佳竞争者超过 5%。
• 消融研究表明跨域特征归一化、结构模式学习和截断注意力都对 OwlEye 的鲁棒性有贡献。
• 案例研究表明通过向字典中添加新模式实现持续学习，无需重新训练，结合辅助图可提升性能。