Topological Anomaly Quantification for Semi-Supervised Graph Anomaly Detection¶
会议: ICLR 2026
OpenReview: https://openreview.net/forum?id=ZURYrJgigi
代码: https://github.com/TingGuo301/TAQ-GAD
领域: 图异常检测 / 半监督学习 / 图神经网络
关键词: 图异常检测, 半监督, 伪异常生成, 拓扑量化, 图增强
一句话总结¶
针对"只有正常节点标签"的半监督图异常检测，TAQ-GAD 用两个纯拓扑指标（边界分 NBS + 隔离分 PIS）量化每个标注正常节点的"异常程度"，从中筛出高质量伪异常节点，再用拓扑增强模块（TAE）生成虚拟异常中心并重连图结构，最终在增强图上联合训练，在 6 个数据集上稳定超过 GGAD 等 SOTA。
研究背景与动机¶
领域现状：图异常检测（GAD）要在图里找出偏离正常模式的节点，广泛用于金融欺诈、入侵检测等。无监督方法只能靠图自身结构，难以对齐"语义异常"；带标注的半监督方法更可靠，但同时标注正常+异常节点又不现实——真实异常稀少且标注昂贵。因此"只标注正常节点"的设定最贴近现实：把易得的正常节点当作可靠锚点，把任务从"找全局离群点"转成"找偏离正常画像的节点"。
现有痛点：在标签稀缺下，主流是生成式方法人工合成伪异常来补充训练负样本，分两类——特征插值（在正常节点特征间线性/非线性插值）和噪声扰动（往正常节点的特征或结构里加随机噪声）。但前者生成的样本过于平滑、抓不住真实异常的边界形态；后者注入的扰动是随机、无引导的，导致伪异常代表性与可靠性都低。
核心矛盾：根本问题在于这些方法缺一个量化机制来评估"一个节点到底有多异常"。没有量化，就只能靠随机扰动碰运气，合成的伪异常无法模拟真实场景里复杂而有意义的异常模式。
本文目标：在只有正常标签的前提下，先给节点的异常程度一个可计算的拓扑度量，据此从标注正常节点里挑出真正接近异常的那批当伪异常，再强化它们的拓扑上下文，让模型学到更可分的决策边界。
切入角度：作者观察到异常节点有两条稳定的拓扑特征——① 与正常节点的连接密度明显比正常节点之间稀疏（处于"边界"）；② 在同类内部结构上更孤立（"少而散"）。这两点都能纯靠图结构算出来，不需要异常标签。
核心 idea：用拓扑量化代替随机扰动来生成伪异常——设计 NBS（边界分）和 NIS/PIS（隔离分）两个指标打分，挑高分节点当伪异常，再用拓扑增强重连图结构。
方法详解¶
整体框架¶
TAQ-GAD 的输入是一张属性图 \(G=(V,A,X)\)，其中只有一小撮节点 \(V_l\) 被标注为正常，其余未标注；输出是一个异常打分函数，使正常节点分数低于异常节点。整条流水线分三步走：先用拓扑异常量化模块（TAQ）给每个标注正常节点算一个综合异常分，按比例 \(\tau\) 选出最高分的当伪异常节点；接着训练一个 GNN，对全图节点输出预测概率；再用拓扑异常增强模块（TAE）根据预测置信度估计节点风险、翻转高风险节点的伪标签、生成虚拟异常中心并和其他节点建拓扑连边，得到增强图 \(G_{new}\)；最后在增强图上用正则项+分类损失联合训练。
%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
A["输入图 G<br/>仅标注正常节点 V_l"] --> B["拓扑异常量化 TAQ<br/>NBS + PIS 打分，选 top-τ 当伪异常"]
B --> C["训练 GNN<br/>对全图输出预测概率"]
C --> D["拓扑异常增强 TAE<br/>风险估计→翻转伪标签→虚拟异常中心连边"]
D --> E["增强图 G_new"]
E --> F["联合训练 L_reg + L_cls"]
F --> G["异常打分 f(v)"]关键设计¶
1. 拓扑异常量化 TAQ：用两个无需异常标签的拓扑指标筛伪异常
这一步直接针对"伪异常没有量化、靠随机扰动"的痛点。作者把"一个节点有多异常"拆成两个可计算的拓扑维度。边界分 NBS 衡量节点离正常区域边界有多近，用它 \(K\)-跳邻域里标注正常邻居的占比来反向定义：
NBS 越高说明该节点和标注正常类的连接越少、越可能落在决策边界附近。隔离分 NIS 衡量节点在同类内部的结构孤立程度，定义为它到同类邻居的平均最短路径 \(\mathrm{NIS}(v_i)=\frac{1}{|N_s(v_i)|}\sum_{v_j\in N_s(v_i)}\mathrm{path}(v_i,v_j)\)，值越大越孤立。但 NIS 需要节点类别标签，而本设定下没有异常标签，于是作者用一个纯局部结构的代理隔离分 PIS 顶替：
其中 \(d_i\) 是节点度、\(|E(N(v_i))|\) 是其邻居间的边数、\(D\) 是全图最大度。第一项刻画局部聚类密度，第二项惩罚高度数节点以突出结构稀疏性；PIS 高就意味着"邻居又少又彼此不相连"，正好对应异常节点"少而散"的结构。最终综合分 \(\mathrm{Score}(v_i)=\lambda_1 \mathrm{NBS}(v_i)+\lambda_2 \mathrm{PIS}(v_i)\)，对所有标注节点排序后取 top-\(\tau\) 比例当伪异常。作者还给了两条定理：同质性+标注偏置下异常节点的 NBS 系统性高于正常节点；PIS 极高时节点为异常的后验概率显著上升——为两个指标提供了理论依据。和旧方法的区别在于：伪异常不再是随机扰动出来的合成点，而是从真实标注正常节点里"挑"出来的、拓扑上最像异常的那批，代表性天然更强。
2. 拓扑异常增强 TAE：估风险、翻标签、连虚拟异常中心
光有伪异常还不够，它们在图里的拓扑上下文仍稀薄。TAE 分两阶段强化异常节点的连通性。第一阶段估风险并修正伪标签：对节点预测分布 \(P_{v_i}=[p^{(0)}_{v_i},p^{(1)}_{v_i}]\) 先算不确定度 \(u(v_i)=1-\max_c p^{(c)}_{v_i}\)，再相对该类平均不确定度算风险分 \(r(v_i)=\max(0, u(v_i)-\bar u_{\hat y_i})\times w_{\hat y_i}\)，其中 \(w_{\hat y_i}\) 是按类频率倒数算的权重，倾向给少数（异常）类更高重要性——这样能抵消两类不确定度差异带来的选择偏置。对高风险节点（\(r(v_i)>0\)）施加标签翻转策略：算邻域类别后验 \(p^{post(c)}_{v_i}=\frac{|\{v_j\in N(v_i):\hat y_j=c\}|}{|N(v_i)|}\)，若邻居强烈支持相反类（\(p^{post(1-\hat y_i)}_{v_i}>p^{post(\hat y_i)}_{v_i}\)）就把该节点伪标签翻成相反类，依据是拓扑一致性原则——邻居共识和当前预测冲突时，原预测很可能错。第二阶段建虚拟异常中心：对每类算质心，节点 \(v_i\) 与质心的连接概率为 \(P(v_i,v^{virtual}_c)=r(v_i)\cdot p^{post(c)}_{v_i}\cdot(1-\mathbb{I}[\hat y_i=c])\)，通过概率采样生成虚拟边，构造增强图 \(G_{new}\)。这一步让异常节点和异常中心的连通性被加强，信息上下文更丰富、更可分。
3. 正则化+分类的联合训练目标
最终在增强图上联合优化 \(L_{total}=\alpha\cdot L_{reg}+\beta\cdot L_{cls}\)。分类损失 \(L_{cls}=\mathrm{BCE}(f(X_{new}),Y_{new})\) 是主目标，标签 \(Y_{new}\) 同时用到真实正常标签和 TAE 修正后的伪标签；正则项 \(L_{reg}=\|Z\|_F^2\) 对节点嵌入做 Frobenius 范数惩罚，防止嵌入数值过大导致过拟合。消融显示 \(L_{reg}\) 并非可有可无的点缀，去掉它各数据集都明显掉点，说明在伪标签带噪的训练里约束嵌入幅度对稳定性很关键。
损失函数 / 训练策略¶
\(L_{total}=\alpha L_{reg}+\beta L_{cls}\)，\(\alpha,\beta\) 平衡两项贡献。实现上用 PyTorch + PyG，统一嵌入维度 300，Adam 优化，邻域跳数 \(K=2\)。伪异常比例 \(\tau\) 对结果较敏感（多数数据集 \(\tau=0.05\) 最优），而 \((\alpha,\beta)\) 和 \(\lambda_2\) 则相对不敏感。
实验关键数据¶
主实验¶
6 个真实数据集（Amazon、T-Finance、Reddit、Elliptic、Photo、DGraph），指标 AUROC / AUPRC，半监督设定下标注率 \(\rho=15\%\)。下表为半监督方法的主结果（节选 AUROC，与生成式 SOTA GGAD 对比）：
| 数据集 | 指标 | TAQ-GAD | GGAD | CHRN |
|---|---|---|---|---|
| Amazon | AUROC | 0.9474 | 0.9443 | 0.9346 |
| T-Finance | AUROC | 0.8675 | 0.8228 | 0.7581 |
| AUROC | 0.6682 | 0.6354 | 0.5731 | |
| Elliptic | AUROC | 0.7453 | 0.7290 | 0.7315 |
| Photo | AUROC | 0.7107 | 0.6476 | 0.6223 |
| Elliptic | AUPRC | 0.3573 | 0.2425 | 0.2101 |
| Photo | AUPRC | 0.2073 | 0.1420 | 0.1420 |
在极端低异常率的 DGraph 上，各标注率（0.05%–0.5%）TAQ-GAD 全面超过 GGAD，如 0.5% 时 AUROC 0.6623 vs 0.5940、AUPRC 0.0162 vs 0.0083。即使标注率降到 \(\rho=10\%\)，TAQ-GAD 仍在 Amazon（0.9365 vs 0.8796）、T-Finance（0.8501 vs 0.7252）等数据集稳定领先。
消融实验¶
| 配置 | Amazon AUROC | Elliptic AUROC | Photo AUROC | 说明 |
|---|---|---|---|---|
| Baseline (GCN) | 0.7262 | 0.3228 | 0.4198 | 裸 GCN |
| +NBS | 0.8579 | 0.5022 | 0.7305 | 单加边界分 |
| +PIS | 0.9033 | 0.6422 | 0.6114 | 单加隔离分 |
| +NBS+PIS | 0.9261 | 0.7159 | 0.7878 | 两指标互补 |
| +NBS+PIS+TAE | 0.9571 | 0.7534 | 0.8632 | 完整模型 |
| \(L_{cls}\) only | 0.9386 | 0.7315 | 0.8209 | 去正则项 |
| \(L_{cls}+L_{reg}\) | 0.9571 | 0.7534 | 0.8632 | 完整损失 |
还对比了朴素伪标签策略：随机选 / 选低度节点当伪异常，二者在 Reddit、Photo、Amazon 上都明显逊于 TAQ-GAD（如 Reddit AUROC：Random 0.5443、Low-degree 0.5579、TAQ-GAD 0.6682）。
关键发现¶
- NBS 与 PIS 各自单独加都涨点，合起来 (+NBS+PIS) 一致显著优于单模块，证实"边界"和"隔离"两个拓扑维度互补；TAE 再加一层增益、每个数据集都拿到最高分，是把模型推到最优的关键模块。
- 正则项 \(L_{reg}\) 不是摆设：去掉后各数据集普遍掉点，在伪标签带噪的训练里约束嵌入幅度对防过拟合很重要。
- \(\tau\) 敏感而其余超参鲁棒：Amazon/Elliptic/T-Finance 在 \(\tau=0.05\) 最优、过大会引入噪声（Elliptic 从 0.7 掉到 0.4），但 Reddit 反而要到 \(\tau=0.5\)；\((\alpha,\beta)\) 和 \(\lambda_2\) 则几乎不敏感，说明方法不依赖精细的损失权重调参。
- 朴素 Random/Low-degree 选伪异常远不如拓扑量化，验证了"挑高质量伪异常"比"凑数量"更重要。
亮点与洞察¶
- 把"伪异常质量"问题转成"可计算的拓扑量化"：不再随机扰动碰运气，而是用 NBS+PIS 给每个标注正常节点打分、挑最像异常的当伪异常，思路清晰且可迁移到其他缺负样本的图任务。
- PIS 作为 NIS 的无标签代理很巧：NIS 要类别标签，PIS 仅用局部度/邻居边数就能近似"少而散"的结构，既绕开了标签缺失，又便于在大图上扩展。
- TAE 把"修伪标签"和"造拓扑上下文"合在一起：风险估计+邻域共识翻转标签纠错，再用虚拟异常中心补连边，让稀疏的异常节点获得更可分的结构上下文，这套"先纠错再增强"的组合可借鉴到一般的半监督图学习。
局限与展望¶
- 伪异常比例 \(\tau\) 对数据集高度敏感（有的 0.05 最优、Reddit 要 0.5），缺一个自适应选 \(\tau\) 的机制，换数据集需重新调。
- 整套量化基于同质性（homophily）与标注偏置假设（定理 1/2 的前提），在强异质（heterophilic）图或正常标注本身有偏的场景下，NBS/PIS 的判别力可能下降，论文未充分验证这类极端图。
- PIS 仅用一阶/局部结构，对那些"局部稠密但全局异常"的伪装攻击可能失效；可考虑引入更高阶或谱域结构信号补强。
相关工作与启发¶
- vs GGAD: 同属"只标注正常节点"的生成式 GAD，GGAD 靠 asymmetric local affinity + egocentric closeness 两个先验约束生成离群点表示；本文不生成新特征点，而是用 NBS/PIS 量化打分从真实正常节点里挑伪异常 + TAE 重连图结构，伪异常代表性更强，各标注率下稳定超过 GGAD。
- vs 特征插值类（gADAM / AuGAN / GraphENS）: 它们在嵌入/特征空间插值合成异常，样本过平滑、抓不住边界形态；本文从拓扑而非特征空间入手，直接挑边界与孤立节点。
- vs 噪声扰动类（DAGAD）: 后者靠表示置换+随机噪声造伪异常，扰动无引导；本文用可计算的拓扑分引导筛选，并有定理支撑。
评分¶
- 新颖性: ⭐⭐⭐⭐ 把伪异常质量问题转成可量化的拓扑指标 + 无标签代理 PIS，角度新颖且有理论支撑
- 实验充分度: ⭐⭐⭐⭐ 6 数据集、多标注率、消融+敏感性+朴素策略对比较完整，但多在小图，缺超大图与异质图验证
- 写作质量: ⭐⭐⭐⭐ 指标定义清晰、定理与图示到位，TAE 部分符号略密
- 价值: ⭐⭐⭐⭐ 现实约束（只标正常）下的实用方法，代码开源，易迁移到金融/安全等缺异常标签的场景