GFM4GA: Gruppenantikmal-Erkennung verbessert um 2,85 %

In vielen Netzwerk‑Anwendungen ist die Erkennung von Gruppenanomalien entscheidend, doch die Vielfalt der Anomalie­muster erschwert die Arbeit. Durch den Erfolg großer Sprachmodelle (LLMs) im Natural‑Language‑Processing wurde die Idee eines Graph‑Foundation‑Models (GFM) für Few‑Shot‑Learning mit geringem Label‑Aufwand aufgegriffen.

GFMs haben bereits individuelle Anomalien zuverlässig erkannt, lassen sich jedoch nicht ohne Weiteres auf Gruppenanomalien übertragen – dort müssen Muster als Ganzes erkannt werden, während einzelne Knoten in einer anomalen Gruppe normal wirken können.

Um dieses Problem zu lösen, präsentiert die neue Studie das Modell GFM4GA. Das System wird mittels dualer kontrastiver Lernschritte vortrainiert, die sowohl auf feature‑basierten Schätzungen als auch auf der Extraktion von Gruppen beruhen. Dadurch werden potenzielle Strukturen von Gruppenanomalien sowie Unstimmigkeiten in den Merkmalen erfasst.

Im nachfolgenden Fine‑Tuning‑Schritt wird das Modell in einer parameter‑beschränkten, gruppen‑anomalie‑proportional gewichteten Few‑Shot‑Umgebung angepasst. Zusätzlich wird die Anpassungsfähigkeit an bislang unbekannte Gruppenanomalien durch die Nutzung von Gruppen­kontexten, die auf gelabelten Anomalie­Nachbarn basieren, erweitert.

Experimentelle Ergebnisse, veröffentlicht auf arXiv (2601.10193v1), zeigen, dass GFM4GA bestehende Gruppenanomalie‑Detektoren sowie GFMs für individuelle Anomalien übertrifft. Die durchschnittlichen Verbesserungen betragen 2,85 % in AUROC und 2,55 % in AUPRC.