리만 전문가 혼합을 이용한 제로샷 일반화 그래프 이상 탐지

Zero-shot Generalizable Graph Anomaly Detection with Mixture of Riemannian Experts

그래프 이상 탐지(GAD)는 그래프 데이터에서 비정상적인 패턴을 식별하는 것을 목표로 하며, 최근 연구에서는 새로운 그래프 데이터셋에 대한 일반화를 가능하게 하는 제로샷 일반화 GAD를 탐구해 왔습니다. 그러나 기존의 제로샷 GAD 방법은 다양한 이상 패턴 간의 고유한 기하학적 차이를 크게 무시하며, 이는 교차 도메인 일반화 능력을 크게 제한합니다. 본 연구에서는 이상 탐지 가능성이 근본적인 기하학적 특성에 크게 의존한다는 점을 밝히고, 서로 다른 도메인의 그래프를 단일한 정적 곡률 공간에 임베딩하는 것이 이상 현상의 구조적 특징을 왜곡할 수 있음을 보여줍니다. 단일 곡률 공간으로는 기하학적 특성에 의존적인 그래프 이상 패턴을 포착할 수 없다는 문제점을 해결하기 위해, 우리는 제로샷 일반화 그래프 이상 탐지를 위한 새로운 프레임워크인 GAD-MoRE를 제안합니다. GAD-MoRE는 리만 전문가 혼합 아키텍처를 사용합니다. 특히, 각 이상 패턴이 가장 잘 탐지될 수 있는 리만 공간에서 모델링되도록 하기 위해, GAD-MoRE는 각기 다른 곡률 공간에서 작동하는 특수화된 리만 전문가 네트워크 집합을 사용합니다. 원본 노드 특징을 곡률별 이상 특징과 일치시키기 위해, 입력 데이터를 병렬 리만 공간으로 투영하여 다양한 기하학적 특징을 포착할 수 있는 이상 인식 멀티-곡률 특징 정렬 모듈을 도입합니다. 마지막으로, 학습된 패턴을 넘어 더 나은 일반화를 촉진하기 위해, 과거의 유사한 이상에 대한 재구성 성능을 기반으로 각 입력을 가장 적합한 전문가에게 적응적으로 할당하는 메모리 기반 동적 라우터를 설계했습니다. 제로샷 환경에서의 광범위한 실험 결과, GAD-MoRE가 최첨단 일반화 GAD 모델을 크게 능가하며, 심지어 대상 도메인의 레이블 데이터로 미세 조정된 강력한 모델조차 능가한다는 것을 보여줍니다.

Graph Anomaly Detection (GAD) aims to identify irregular patterns in graph data, and recent works have explored zero-shot generalist GAD to enable generalization to unseen graph datasets. However, existing zero-shot GAD methods largely ignore intrinsic geometric differences across diverse anomaly patterns, substantially limiting their cross-domain generalization. In this work, we reveal that anomaly detectability is highly dependent on the underlying geometric properties and that embedding graphs from different domains into a single static curvature space can distort the structural signatures of anomalies. To address the challenge that a single curvature space cannot capture geometry-dependent graph anomaly patterns, we propose GAD-MoRE, a novel framework for zero-shot Generalizable Graph Anomaly Detection with a Mixture of Riemannian Experts architecture. Specifically, to ensure that each anomaly pattern is modeled in the Riemannian space where it is most detectable, GAD-MoRE employs a set of specialized Riemannian expert networks, each operating in a distinct curvature space. To align raw node features with curvature-specific anomaly characteristics, we introduce an anomaly-aware multi-curvature feature alignment module that projects inputs into parallel Riemannian spaces, enabling the capture of diverse geometric characteristics. Finally, to facilitate better generalization beyond seen patterns, we design a memory-based dynamic router that adaptively assigns each input to the most compatible expert based on historical reconstruction performance on similar anomalies. Extensive experiments in the zero-shot setting demonstrate that GAD-MoRE significantly outperforms state-of-the-art generalist GAD baselines, and even surpasses strong competitors that are few-shot fine-tuned with labeled data from the target domain.