论文提出支持零/少样本图异常检测的图基础模型 AnomalyGFM。
资讯摘要
论文提出 AnomalyGFM，一个面向图异常检测（GAD）的图基础模型，支持在新图上进行零样本推理和少样本提示微调。其思路是预训练时将数据无关、可学习的正常与异常类原型与节点表示残差（节点相对邻居的表示偏差）对齐，把不同图的节点信息投影到统一特征空间，从而一致地度量异常。作者在 11 个含真实异常的 GAD 数据集上报告，零样本与少样本设置下均显著优于现有方法。
要点速读
- AnomalyGFM 预训练对齐可学习的正常/异常类原型与节点表示残差，以学习图无关的判别性原型。
- 模型支持零样本 GAD，并可在新图有少量标注正常节点时进行提示微调。
- 作者在 11 个 GAD 数据集上报告零样本与少样本设置下均显著优于对比方法。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/29 08:00:21（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。