Neues Graphmodell TA‑GGAD löst Anomalie‑Erkennung in mehreren Domänen

In der heutigen vernetzten Welt stellen anomale Knoten – von gefälschten Nachrichten über nicht konforme Nutzer bis hin zu bösartigen Transaktionen – ein ernstes Risiko für die Integrität von Graphdaten dar. Traditionelle Modelle, die über mehrere Datenbereiche hinweg arbeiten, kämpfen häufig mit dem Problem des Domain‑Shifts, wodurch ihre Erkennungsleistung stark eingeschränkt wird.

Die Forscher haben ein spezifisches Muster der Feature‑Unstimmigkeit identifiziert, das sie „Anomaly Disassortativity“ (AD) nennen. Auf Basis dieser Erkenntnis wurde TA‑GGAD entwickelt, ein neues Graph‑Fundamentmodell, das mit nur einer einzigen Trainingsphase über verschiedenartige Graphen hinweg generalisiert. Durch die Berücksichtigung von AD kann das Modell die Unterschiede zwischen Domänen überbrücken und gleichzeitig die Erkennungsgenauigkeit maximieren.

In umfangreichen Tests mit vierzehn realen Graphen zeigte TA‑GGAD einen deutlichen Fortschritt und erreichte erstmals einen branchenführenden Stand der Anomalie‑Erkennung. Die vorgestellte AD‑Theorie eröffnet damit einen neuen theoretischen Ansatz und einen praktischen Weg für zukünftige Entwicklungen im Bereich der generalistischen Graphanomalie‑Erkennung. Der Quellcode ist frei verfügbar unter https://anonymous.4open.science/r/Anonymization-TA-GGAD/.