Graph-to-State (G2S)

新的Jev-GAD框架使用预训练模型进行通才图异常检测

研究人员推出了一种新颖的无训练通才图异常检测框架Jev-GAD。该方法通过构建互补的结构、属性和邻域证据，解决了异构异常模式和图之间分布差异带来的挑战。Jev-GAD将这些统计数据转化为图相对异常百分位数，并利用单个冻结的预训练语言模型进行证据条件异常评估。在七个基准上的实验表明，Jev-GAD取得了强劲的性能，平均AUROC和AUPRC得分分别为89.18%和52.40%。