FoundAna: A GNN-assisted Foundation Model for Graph Anomaly Detection

📄 arXiv: 2609.18107v1 📥 PDF

作者: Suprim Nakarmi, Chahana Dahal, Yue Zhao, Junggab Son, Zuobin Xiong

分类: cs.LG, cs.CR

发布日期: 2026-09-16

备注: 11 pages, 3 figures, and 5 tables

🔗 代码/项目: GITHUB

💡 一句话要点

提出FoundAna以解决图异常检测的跨图泛化问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 图异常检测 图神经网络 变换器 基础模型 跨图泛化 深度学习 网络安全

📋 核心要点

  1. 现有图异常检测方法通常只能针对特定数据集，缺乏跨图迁移能力，限制了其应用范围。
  2. 本文提出FoundAna，通过结合GNN和变换器，构建了一个基础模型框架，旨在实现图异常检测的泛化能力。
  3. 在九个基准数据集上的实验表明，FoundAna在多个领域的表现均优于现有的最先进方法，显示出显著的性能提升。

📝 摘要（中文）

图异常检测旨在识别显著偏离预期模式的图结构（如节点、边或子图），支持欺诈检测、垃圾邮件识别、网络入侵等关键应用。尽管该领域的方法不断增长，现有方法通常遵循每个数据集一个模型的范式，限制了其在多样化真实场景中的迁移能力。本文提出FoundAna，一种GNN辅助的图异常检测基础模型框架，结合了GNN和变换器，旨在实现可泛化的跨图异常检测。FoundAna集成了特定于异常检测的GNN组件和标准变换器编码器，增强了四种互补的位置信息编码，使模型能够捕捉局部和全局结构信息。通过在九个基准数据集上的广泛实验，FoundAna在金融、社交和引用网络领域的表现均优于现有最先进的基线。

🔬 方法详解

问题定义：本文解决的是图异常检测中的跨图泛化问题。现有方法通常只能针对特定数据集进行训练，导致在不同任务和领域中的迁移能力不足。

核心思路：FoundAna的核心思路是结合图神经网络（GNN）和变换器，通过引入特定于异常检测的GNN组件和增强的位置信息编码，来捕捉图的局部和全局结构信息，从而提升模型的泛化能力。

技术框架：FoundAna的整体架构包括一个GNN组件和一个标准变换器编码器。模型首先通过GNN提取节点的特征表示，然后通过变换器编码器进行进一步处理，最后通过属性和邻接解码器生成重构误差作为异常评分。

关键创新：FoundAna的主要创新在于将GNN与变换器结合，形成一个基础模型框架，能够在不同图结构上实现有效的异常检测。这种设计使得模型能够更好地适应多样化的任务和数据集。

关键设计：模型中使用了四种互补的位置信息编码，以增强节点表示的丰富性。此外，重构误差被用作异常评分，确保了模型在异常检测任务中的有效性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在九个基准数据集上的实验结果显示，FoundAna在多个领域的性能均显著优于现有最先进的基线方法，具体提升幅度达到XX%（具体数据需根据实验结果填写）。这一成果表明FoundAna在图异常检测任务中的有效性和广泛适用性。

🎯 应用场景

FoundAna在欺诈检测、网络安全、社交网络分析等多个领域具有广泛的应用潜力。其跨图泛化能力使得该模型能够适应不同的数据集和任务，从而提高了异常检测的效率和准确性。未来，FoundAna可能会推动更多领域的研究和应用，尤其是在需要处理复杂图结构的场景中。

📄 摘要（原文）

Graph anomaly detection aims to identify graph structures (e.g., nodes, edges, or subgraphs) that deviate significantly from expected patterns, which supports critical applications in fraud detection, spam identification, network intrusion, etc. Despite the growing methods in the field, existing approaches follow a one-model-per-dataset paradigm, limiting their transferability across diverse real-world scenarios due to task heterogeneity, label scarcity, and domain variability. In this work, we introduce FoundAna, a GNN-assisted Foundation Model for Graph Anomaly Detection - the first foundation model framework designated for generalizable, cross-graph anomaly detection by combining GNNs and transformers. FoundAna integrates an anomaly detection-specific GNN component with a standard transformer encoder augmented by four complementary positional encodings, which enable the model to capture both local and global structural information. Specifically, the positional encoding enriched node representations are passed through attribute and adjacency decoders, and the reconstruction errors serve as the anomaly score. Extensive experiments on nine benchmark datasets spanning financial, social, and citation network domains demonstrate that FoundAna consistently outperforms state-of-the-art baselines. The code implementation and Supplementary materials are here: https://github.com/FoundAna331/FoundAna.