[论文解读] 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 0

一句话总结

TA-GGAD 提出一种用于通用图异常检测的测试时自适应框架，缓解跨域的异常不适配性，在多样化图上实现了零-shot 的最先进性能。

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/.

研究动机与目标

• 识别并量化异常不适配性（AD），作为图异常模式的跨域不匹配。
• 开发一个统一的GGAD模型，在无需目标域再训练的情况下实现对不同图的泛化。
• 提出高阶和低阶异常打分，以捕捉节点层面与结构层面的异常性。
• 引入测试时适配器以实现零 shot 自适应和伪标签 refinement（精炼）。
• 在14个真实世界图上通过全面实验展示强跨域泛化能力。

提出的方法

• 将异常不适配性（AD）定义并量化为节点不适配性（ND）与结构不适配性（SD）的组合。
• 提出TA-GGAD，包含四个模块：高阶异常打分（节点层面的残差）、低阶异常打分（结构层面的亲和性）、异常不适配适配器（ADA），以及测试时适配器（TSA）。
• 高阶打分利用多跳GNN的残差表示和残差对比损失，将正常节点与异常节点分离。
• 低阶打分使用亲和编码器和亲和性最大化损失来捕捉局部结构一致性。
• ADA 自适应融合基于残差的分数与基于亲和的分数，结合ND和SD指示以平衡通道。
• TSA 通过多数表决在测试时细化伪标签，并学习用于组合多个打分通道的权重。

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).

实验结果

研究问题

• RQ1 如何对跨域的异常节点行为不一致进行建模与度量（ND 与 SD）？
• RQ2 在多源图上训练的单一模型是否能够在不重新训练的情况下泛化到未见目标图（GGAD）？
• RQ3 将高阶节点差异与低阶结构线索结合测试时自适应，是否能提升对多样化图的零-shot 异常检测性能？

主要发现

• TA-GGAD 实现了跨域异常检测的最先进水平，在13个关键数据集中的11个上排名第一。
• 在 CS 数据集上，TA-GGAD 相较于前一代 SOTA ARC 的 AUROC 提升 15.73%；在 Facebook 提升 14.78%；在 ACM 提升 8.90%。
• TA-GGAD 的平均秩为 1.23，且在随机种子下方差较小。
• 消融实验表明 ADA 与 TSA 提供互补增益，完整的 TA-GGAD 在所有数据集上均获得最佳结果。
• 相关性分析表明更高的 AD*（由 ND 与 SD 推导）与更大的 AUROC 增益一致，验证 AD 作为跨域自适应性的预测因子。

Figure 2: Overview of TA-GGAD