NeighborDiv: 이웃 다양성(Neighbor Diversity)을 통한 학습이 필요 없는 제로샷 범용 그래프 이상 탐지

그래프 이상 탐지 (Graph Anomaly Detection, GAD) 기술은 교차 도메인에서의 "일괄 적용(one-for-all)" 탐지를 위해 범용 GAD (Generalist GAD, GGAD)로 점차 이동하고 있으나, 기존의 GGAD 방법론들은 주로 이웃 일관성 원칙에 의존하며 이상치 정량화를 위해 \textbf{노드-대-이웃 일관성 패러다임 (Node-to-Neighbor Consistency Paradigm)}에 머물러 있습니다. 이러한 방법들은 복잡한 학습 파이프라인, 과도한 학습 데이터 의존성, 높은 계산 비용, 그리고 불안정한 교차 도메인 일반화 성능이라는 문제를 안고 있습니다. 이러한 한계를 해결하기 위해, 본 연구에서는 이웃 다양성 (neighbor diversity)에 기반한 학습이 필요 없는 (training-free) 범용 그래프 이상 탐지 프레임워크인 NeighborDiv를 제안합니다. 지배적인 노드-대-이웃 일관성 패러다임에서 벗어나, 우리는 초점을 \textbf{이웃-대-이웃 다양성 패러다임 (Neighbor-to-Neighbor Diversity Paradigm)}으로 전환하였으며, 노드 이웃 집합의 내부 구조적 분산이 강력하고 독립적으로 구별 가능한 이상 신호임을 밝혀냈습니다. 우리는 이웃 간 특징 유사도 (inter-neighbor feature similarities)의 분산을 통해 이웃 다양성을 정량화하며, 이는 노드가 로컬 그래프 환경을 어떻게 구성하는지를 포착하고 기존의 노드-대-이웃 일관성 프레임워크와는 독립적으로 작동합니다. 두 가지 표준 GGAD 평가 패러다임 하에서 수행된 광범위한 실험 결과, NeighborDiv는 최첨단 (state-of-the-art) 성능을 달성함을 보여주었습니다. 단일 도메인 독립 학습 (Single-Domain Independent Training, SDIT) 조건에서 두 번째로 우수한 베이스라인 대비 평균 AUC에서 10.25%, 평균 AP에서 17.78%의 상대적 이득을 보였으며, 통합 다중 도메인 학습 (Unified Multi-Domain Training, UMDT) 조건에서는 각각 AUC 6.89%, AP 9.58%의 향상을 기록했습니다. 특히, NeighborDiv는 모든 데이터셋에 대해 성능 변동이 전혀 발생하지 않아 학습 데이터셋에 대한 의존성을 제거하였으며, 가볍고 매우 실용적인 GGAD 프레임워크를 구축하였습니다.