Graph-Anomalien im Zero‑Shot: Ein generalistisches Modell

In der Welt der Graphdaten – von Cybersicherheit bis zu sozialen Netzwerken – ist die Erkennung von Anomalien entscheidend. Traditionelle Graph‑Anomaly‑Detection‑Methoden (GAD) arbeiten meist nach dem Prinzip „ein Modell pro Datensatz“, was enorme Rechen- und Datenkosten verursacht und die Generalisierung auf neue, unbekannte Datensätze stark einschränkt. Besonders in datenschutzkritischen Szenarien, wo vollständige Datensätze oder umfangreiche Labels nicht zugänglich sind, stoßen diese Ansätze an ihre Grenzen.

Um diese Herausforderungen zu überwinden, präsentiert die neue Arbeit ein generalistisches GAD‑Paradigma namens ARC. Das Modell kombiniert drei Kernmodule: ein Feature‑Alignment‑Modul, das Merkmale über verschiedene Datensätze hinweg vereinheitlicht; einen Residual‑GNN‑Encoder, der dataset‑agnostische Anomalie‑Repräsentationen erfasst; und ein cross‑attentives in‑Context‑Learning‑Modul, das mit nur wenigen normalisierten Beispielen im Inferenzzeitpunkt Anomalien bewertet. Dadurch kann ARC auf bislang unbekannte Graphen angewendet werden, ohne umfangreiches Retraining oder dataset‑spezifische Anpassungen.

Weiterführend wird ARC_zero vorgestellt, das die Zero‑Shot‑Anforderung erfüllt. Durch einen Pseudo‑Context‑Mechanismus wählt das Modell repräsentative pseudo‑normale Knoten aus und ermöglicht so eine vollständig label‑freie Inferenz auf neuen Datensätzen. Diese Innovation eröffnet die Möglichkeit, Graph‑Anomalien in Echtzeit zu erkennen, selbst wenn keine Trainingslabels vorhanden sind.

Die vorgestellten Methoden markieren einen bedeutenden Fortschritt in der Graph‑Anomaly‑Detection. Sie reduzieren nicht nur die Kosten für Datenaufbereitung und Modelltraining, sondern erhöhen auch die Flexibilität und Skalierbarkeit von Sicherheits- und Analyse‑Systemen. Mit ARC und ARC_zero wird die Vision eines universellen, datensatzunabhängigen Anomalie‑Erkennungsmodells greifbarer denn je.