离散点异常检测在现实世界中有许多重要的应用场景,例如云计算网络检测(He等人(2025年))、监控视频检测(Zhao等人(2025a年)和时间序列检测(Lee, Lee, & Kim(2025年))。传统的异常检测方法采用离散点建模来识别异常(An & Cho(2015年);Angiulli & Pizzuti(2002年);Breunig, Kriegel, Ng, & Sander(2000年);Liu, Ting, & Zhou(2008年);Liu等人(2019年);Reiss, Cohen, Bergman, & Hoshen(2021年);Sakurada & Yairi(2014年);Sch?lkopf, Platt, Shawe-Taylor, Smola, & Williamson(2001年);Zong等人(2018年))。这些方法被称为PDAD方法,通过相似性或重建误差测量来检测异常。这些方法通常假设正常实例在特征空间中形成密集的簇,而异常则表现出显著的偏差。然而,它们经常忽略了离散点之间的复杂结构或关系,限制了它们对复杂局部依赖性的建模能力。为了解决上述问题,研究人员使用距离函数为离散点构建K个邻居,并将其转换为K最近邻图(KNNG),然后将离散点异常检测转换为基于图的离散点异常检测(Goodge, Hooi, Ng, & Ng(2022年)),其中KNNG中的边和节点属性包含了离散点之间的丰富结构和关系信息。同时,原生图异常检测(GAD)方法(Tang, Hua, Gao, Zhao, & Li(2023年);Roy等人(2024年)已成为图数据高性能异常检测的主导框架,而由离散点构建的KNNG作为标准属性图,可以直接利用这些GAD技术来执行异常检测任务。不同的KNNG具有不同的数据分布差异。然而,之前具有固定GNN架构的GDAD和GAD方法最初是为以节点为中心的任务设计的,将边属性视为辅助权重而非核心信息特征。它们的耦合聚合范式要求边属性和节点属性在相同的KNNG拓扑结构内进行聚合,这阻碍了它们适应不同KNNG的分布差异,限制了它们的泛化性能。此外,传统的GNAS方法(Chen等人(2022年);Feng, Wang, & Wang(2023年);Gao, Yang, Zhang, Zhou, & Hu(2021年);Li & King(2020年))是基于以节点为中心的搜索空间和优化目标构建的,在自适应GNN构建过程中没有专门的边属性聚合维度。这种固有的设计缺陷严重限制了它们在基于KNNG的离散点异常检测中的泛化能力。
为了直观地说明上述问题,我们基于不同的基准数据集ANNTHYROID和MI-F(Goodge等人(2022年)构建了KNNG,对具有不同属性聚合范式的GDAD方法和典型的GNAS方法进行了性能测试。LUNAR(Goodge等人(2022年)是一种基于边属性聚合的GDAD方法。DAGBench(Tang等人(2023年)通过基于树集成方法的思路聚合节点属性来实现GAD。图卷积网络(GCN)(Kipf & Welling(2017年))、图注意力网络(GAT)(Velickovic等人(2018年)和图同构网络(GIN)(Xu, Hu, Leskovec, & Jegelka(2019年))是能够聚合边和节点属性的GNN方法,但它们的边属性聚合方法不同。GraphNAS(Gao等人(2021年)是GNAS方法的一个代表性工作,可以根据不同的图自适应地构建GNN来聚合节点属性。不同KNNG的比较实验结果如图1所示。X轴表示五次测试后的平均AUC性能,Y轴表示不同的数据集。由于不同KNNG之间的分布差异,没有一种比较方法能够在每个数据集上都获得最佳测试性能。具体来说,LUNAR-100和LUNAR-20分别表示聚合100个和20个正样本邻居边属性的GDAD方法。LUNAR-100和LUNAR-20的比较测试结果表明,如果边属性的数量固定,基于边属性聚合的GDAD方法将限制其在不同KNNG上的泛化性能。GCN-wo-edge和GAT-wo-edge表示忽略边属性、仅聚合节点属性的GCN和GAT变体。通过比较LUNAR、GCN-wo-edge、GAT-wo-edge和GADBench在不同KNNG上的测试性能,可以发现具有不同分布差异的KNNG适合使用具有不同属性聚合方法的GDAD方法进行建模。例如,ANNTHYROID数据集更适合基于节点属性聚合的GDAD方法。相比之下,基于边属性的GDAD方法可以更好地处理MI-F数据集。从GCN、GAT、GIN、GCN-wo-edge和GAT-wo-edge的测试性能比较中可以看出,尽管现有的GNN方法可以同时聚合边和节点属性,但边属性和节点属性的聚合过程在相同的图拓扑结构中是耦合的,这限制了它们在不同KNNG中的泛化性能。GraphNAS测试的结果表明,传统的GNAS方法可以通过利用各种KNNG的分布差异来自适应地构建GNN,从而实现有竞争力的测试性能。然而,在MI-F数据集上的测试结果表明,缺乏对边属性的自适应建模限制了传统GNAS方法的泛化性能。总之,进一步提高不同KNNG上异常检测泛化的核心挑战是:如何根据不同KNNG的分布差异自适应地构建能够有效聚合边和节点属性的GNN?
为了解决上述挑战,受到相关工作(Chen等人(2022年);Goodge等人(2022年);Xu等人(2019年)的启发,我们提出了属性解耦图神经架构搜索(ADGNAS)用于离散点异常检测。如图2(a)所示,之前能够同时聚合边和节点属性的GNN方法(Kipf & Welling(2017年);Velickovic等人(2018年);Xu等人(2019年))在其中心节点的邻居边和节点属性聚合过程中存在耦合。这种耦合限制了在KNNG中利用相邻边和节点属性的灵活性。我们设计了一种新的属性解耦图神经网络(ADGNN)建模范式来消除上述限制。如图2(b)所示,ADGNN的边和节点聚合过程是解耦的,允许在不同KNNG拓扑结构中灵活地聚合邻居边和节点属性。为了适应不同KNNG的分布差异,我们开发了ADGNAS方法来根据不同的KNNG设计最优的ADGNN。具体来说,我们首先基于ADGNN建模范式构建了一个ADGNN搜索空间。然后,我们根据ADGNN搜索空间的堆栈结构设计了MCTS,可以从基于不同KNNG的分布差异的ADGNN搜索空间中高效且自适应地识别最优的ADGNN。最后,ADGNAS输出用于下游离散点异常检测任务的最优ADGNN。为了验证ADGNAS方法的有效性,我们基于多个基准数据集进行了大量实验。与所有基线方法相比,实验结果表明ADGNAS在性能方面实现了最佳的离散点异常检测性能。与基线GNAS方法相比,ADGNAS显示出有希望的效率优势。本工作的贡献如下。