Generalist Graph Anomaly Detection via Prototype-Based Distillation
本文介绍了 ProMoS，这是首个无监督通用图异常检测框架，它利用原型引导的知识蒸馏，将知识从冻结的自监督教师模型迁移至混合学生模型，从而能够在无需标注数据的情况下，高效地对未见图进行零样本异常检测。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象你是一名在巨大繁忙火车站执勤的保安。你的工作是发现“异常”——扒手、行为可疑的人，或者那些格格不入的人。
当前保安的困境
大多数现有的安全系统就像只熟悉某一个特定车站的保安。如果他们在“纽约站”受训，他们就会成为那里识别扒手的专家。但如果你把他们派到“东京站”，他们就会束手无策。他们不了解当地的布局、不同的客流习惯，也不认识新型的不法分子。要让他们在东京工作，你必须从头重新训练他们，这既耗时又昂贵。
此外，要训练这些保安，你通常需要一个已知罪犯的名单（标注数据）。但在现实世界中，坏蛋们不断发明新花招。你无法在犯罪发生前写下所有可能的罪行。你也没有一份庞大的已知罪犯名单给保安看；你拥有的主要是茫茫人海中正常、无辜的民众。
新解决方案：ProMoS
这篇论文介绍了ProMoS，一种新型“全能型保安”，旨在解决上述问题。它的设计初衷是先在多个不同的车站进行一次性训练，然后立即被派往任何它从未见过的“新车站”，无需重新训练，也无需已知罪犯名单。
以下是 ProMoS 的工作原理，使用简单的类比说明：
1. “冻结的大师”（教师）
想象一位侦探大师，他花费数年时间在各个城市研究了数百万名普通人。这位侦探确切地知道在任何情境下“正常”是什么样子的。
- 在论文中：这是一个预训练的 AI 模型（“教师”），它已经从无标签数据中学习到了正常行为的模式。
- 诀窍：我们不要求这位大师侦探学习新事物或改变想法。我们将其“冻结”（固定）。我们仅仅利用他的知识作为参考指南。
2. “学徒团队”（学生混合体）
ProMoS 不是雇佣一名新保安去学习一切，而是雇佣了一支学徒团队。
- 共享学徒：一名学徒学习成为好公民的宏大、通用规则（例如，“人们通常走直线”，“人们通常买票”）。这涵盖了适用于所有地方的基础知识。
- 个性化学徒：团队中的其余成员是专家。有些专注于特定街区的怪癖，有些专注于特定类型的客流。
- 路由器：有一位聪明的管理者，观察路过的人并决定：“好吧，这个人看起来属于‘市中心’客流，所以我会让市中心专家来检查他。”这确保了正确的专家处理具体情况。
3. “原型地图”（指南针）
学徒们如何在不被搞混的情况下从冻结的大师那里学习？他们不试图记住每一张脸。相反，他们使用一张**“理想类型”地图**。
- 想象大师有一套 20 张“理想正常人”卡片（原型）。一张是“通勤者”，一张是“游客”，一张是“商务旅客”。
- 学徒们被教导将看到的人与这些卡片进行匹配。
- 神奇之处：如果一个人完美地符合“游客”卡片，他就是正常的。如果一个人是“游客”和“扒手”的奇怪混合体，且无法很好地契合任何一张卡片，他就会被标记为可疑。
- 这使得系统能够以一种非常抽象的方式理解“正常”，从而在不同的城市（图）中发挥作用，而无需重新学习一切。
4. “找不同”测试（推理）
当 ProMoS 被派往一个全新的、从未见过的车站（新图）时，它不需要停下来学习。它直接开始观察。
- 它问大师：“在你看来，这个人是什么样子的？”
- 它问它的学徒们：“你们觉得这个人是什么样子的？”
- 警报：如果学徒们的猜测与大师的猜测差异很大，或者这个人无法很好地契合任何一张“理想类型”卡片，系统就会拉响警报。差异越大，这个人就越可疑。
为什么这很重要
- 无需标签：它纯粹通过观察数百万名普通人（无标签数据）来学习。它不需要已知罪犯名单。
- 零样本：它立即在未见过的新图上发挥作用。无需重新训练。
- 高效：因为它使用“冻结”的大师和一支聪明的专家团队，所以运行速度非常快，不需要巨大的计算能力。
总结：
ProMoS 就像一个安全系统，它从一位大师专家那里学习正常行为的通用“氛围”。然后，它利用一支灵活的专家团队和一套“理想类型”卡片，立即识别出任何不符合模式的人，无论他们是在纽约、东京，还是你从未去过的城镇。它速度快，不需要已知罪犯的作弊清单，并且开箱即用。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。