DualGAD：一种基于双编码器架构的通才图异常检测方法

《Information》：DualGAD: A Generalist Graph Anomaly Detection Method via Dual-Encoder Architecture Jizhao Liu, Shuo Mao, Shuqin Zhang, Fangfang Shan and Jun Li

　　

由于图结构具备刻画复杂关系的能力，图异常检测（Graph Anomaly Detection, GAD）在金融欺诈识别、网络安全防护及虚假账号挖掘等领域具有重要应用价值。传统图异常检测方法遵循“单数据集对应单模型”的专用范式，针对每个新领域均需重新训练或微调模型，在实际应用中面临部署成本高、泛化能力受限的关键挑战。为解决这一问题，通才图异常检测旨在实现“一次训练，跨域适用”的目标。然而，现有通才方法主要依赖图神经网络（Graph Neural Network, GNN）隐式学习结构信息，所得结构表征与特定拓扑分布紧密耦合，导致在域偏移下结构稳定性不足。针对上述局限，研究人员提出DualGAD——一种基于双编码器架构的通才图异常检测方法。该方法引入显式结构建模，通过刻画节点相对于整体图结构的相对拓扑偏离，增强异构域间的结构不变性。具体而言，DualGAD通过属性特征编码器和显式结构特征编码器分别建模节点属性信息与显式图结构信息，并采用“属性主导、结构互补”的融合策略实现协同建模。在8个真实数据集上的实验表明，与最强基线方法相比，DualGAD的受试者工作特征曲线下面积（Area Under the Receiver Operating Characteristic Curve, AUROC）平均提升3.12%，展现出显著的跨域泛化能力。

该研究发表于《Information》，针对图异常检测从专用范式向通才范式演进过程中的结构建模缺陷展开探索。当前复杂系统多以图结构建模，节点兼具属性特征与结构关联，衍生出属性异常与结构异常两类模式，使得检测任务复杂度高且标注成本昂贵。传统统计方法可解释性强但难以处理非线性模式，基于图神经网络的方法虽成为主流，却仍受限于“单数据集对应单模型”的专用范式，跨域部署成本与泛化瓶颈突出。现有通才方法多依赖图神经网络的邻域聚合机制隐式学习结构信息，其表征与图规模、连接密度及度分布强耦合，域偏移时易发生表示漂移，削弱跨域稳定性。为此，研究人员设计DualGAD双编码器架构，通过显式结构建模突破上述限制。

研究中使用了四个关键技术方法：一是跨域特征对齐模块，采用主成分分析（Principal Component Analysis, PCA）统一多源图属性维度，并基于特征平滑度重排序实现跨域语义对齐；二是双编码器设计，属性编码器通过图神经网络的多跳传播与自邻残差操作捕获属性语义，显式结构编码器提取度离散性、三角形密度、邻域重叠度及出入度比四类相对拓扑特征，经两层多层感知机（Multi-Layer Perceptron, MLP）映射为结构嵌入；三是轻量融合机制，采用固定权重实现“属性主导、结构互补”的特征融合，避免动态融合的额外开销与波动；四是少样本图注意力检测器，将图注意力网络（Graph Attention Network, GAT）的注意力机制扩展至跨域支撑集-查询集场景，通过支撑集对查询节点的重构误差计算异常得分，结合对比损失优化模型。实验覆盖PubMed、Cora等10个真实数据集，涵盖引文网络、社交网络与协同评论网络，以AUROC与精确率-召回率曲线下面积（Area Under the Precision-Recall Curve, AUPRC）为核心评估指标。

研究结果如下：

性能比较部分显示，DualGAD在6个测试数据集中4个取得最优结果，较最强通才基线ARC的AUROC平均提升3.12%。Wilcoxon符号秩检验证实该提升具有统计显著性（p<0.05）。训练动态分析表明模型在80轮左右收敛，65轮时跨域检测性能最优，早停策略可有效平衡训练充分性与泛化能力。域偏移稳定性测试中，除Amazon数据集外，其余5个数据集在不同源域组合下的AUROC波动均小于5%，验证了显式结构特征的跨域不变性。

参数敏感性分析表明，融合权重α在[0.6, 0.8]区间表现最优，印证“属性主导、结构互补”设计的有效性；仅Facebook数据集在α=0.0时性能最佳，源于其属性同质性高、结构特征更具判别力。与动态融合策略相比，固定权重融合的平均AUROC更高且无额外训练开销，被选为默认策略。网络层数在2-3层时性能最优，深层网络因过平滑导致性能下降。

消融实验验证各组件贡献：移除属性编码器导致AUROC平均下降23.52%，移除结构编码器下降5.23%，证明双编码器协同的必要性。四类结构特征单独移除均引发性能下降，表明其互补覆盖全局与局部、无向与有向拓扑特性。PCA降维较t-SNE与UMAP在跨域对齐中表现更优，兼顾效率与泛化性。

复杂度分析显示，DualGAD时间复杂度由k跳稀疏传播与跨注意力主导，空间复杂度与节点数、边数线性相关，训练推理效率与最快基线ARC相当，峰值GPU内存占用3315.45 MB，硬件需求低。

可视化实验中，Cora数据集的双编码器融合嵌入轮廓系数达0.264，显著高于单一属性或结构嵌入，异常节点形成清晰独立簇。Weibo数据集的SHAP分析表明，邻域重叠度与三角形密度对异常得分呈正向贡献，度离散性与出入度比贡献依具体偏离模式而定，增强了模型可解释性。

讨论与结论部分指出，DualGAD通过双编码器架构与显式结构建模，有效缓解了跨域场景下的结构不稳定性，在8个真实数据集上较最强基线平均提升3.12%的AUROC，为通才图异常检测提供了新思路。研究同时指出局限：极度不平衡数据与大规模图场景下，正常先验对比损失易被多数正常样本主导，显式结构特征提取的计算开销与稀疏图表征能力下降有待优化。未来将探索该框架在更复杂网络结构中的应用，并针对不平衡数据与大规模图场景优化模型性能。