Трёхуровневое обнаружение аномалий в графах c текстовыми атрибутами с использованием графовой фундаментальной модели
Новости
Трёхуровневое обнаружение аномалий в графах c текстовыми атрибутами с использованием графовой фундаментальной модели
Аннотация
Графы с текстовыми атрибутами (Text-Attributed Graphs, TAGs) приобретают всё большее значение в современных приложениях, таких как сети цитирования, графы знаний и социальные платформы. По мере увеличения их масштаба и сложности задача обнаружения аномалий в TAG-графах привлекает всё больше внимания. Несмотря на недавний прогресс, эффективное использование разнородной информации, содержащейся в таких графах, по-прежнему остаётся сложной задачей. В то же время фундаментальные модели для графов (graph foundation models) недавно стали перспективным направлением в области машинного обучения на графах, однако их потенциал для обнаружения аномалий пока исследован недостаточно. В данной работе мы предлагаем Tri-Level Anomaly Detection model (TriAD) — новую модель для обнаружения аномалий в графах с текстовыми атрибутами, которая совместно использует информацию на трёх уровнях: структуру графа, текст узлов и представления, полученные с помощью предварительно обученной фундаментальной модели для графов. TriAD согласовывает эти три уровня в общем пространстве представлений с помощью межуровневого контрастивного обучения (cross-level contrastive learning), что позволяет модели выявлять несоответствия между локальным графовым контекстом, семантическим содержанием и структурными закономерностями более высокого порядка. Использование графовых представлений, полученных с помощью фундаментальной модели, предоставляет дополнительный сигнал об аномальности, дополняющий текстовую информацию и локальную структуру графа. На четырёх бенчмарках TriAD показывает наилучший результат по метрике ROC-AUC на всех четырёх наборах данных и наилучший результат по Average Precision на трёх из них. Кроме того, мы предлагаем процедуру генерации аномалий для построения нового набора данных на основе домена WordNet, содержащего более широкий спектр синтетических аномалий. Этот набор данных может быть полезен для будущих исследований в области обнаружения аномалий в графах с текстовыми атрибутами.
Ключевые слова
Издание
Труды Института системного программирования РАН, том 38, вып. 6, часть 1, 2026, стр. 73-86.
ISSN 2220-6426 (Online), ISSN 2079-8156 (Print).
DOI: 10.15514/ISPRAS-2026-38(6)-5
Для цитирования
Полный текст статьи в формате pdf (на английском)
Вернуться к содержанию тома