تعتبر عملية الكشف عن الشذوذ في الرسوم البيانية (Graph Anomaly Detection) من الأدوات الأساسية في تحليل البيانات، حيث تلعب دورًا حيويًا في تطبيقات متعددة في العالم الحقيقي كالأمن السيبراني والرعاية الصحية. ومع ذلك، تواجه الطرق الحالية لتحديد الشذوذ في الرسوم البيانية تحديات رئيسية يُعنى بها.

أولاً، تعتمد معظم الطرق على خطوط أنابيب ثابتة، مما يحد من قدرتها على التكيف مع مهام الرسوم البيانية المتنوعة تحت إشراف محدود. ثانياً، تفتقر هذه الطرق في كثير من الأحيان إلى الأدلة القوية التي تمنعها من دمج الإشارات السياقية والهيكلية بشكل فعال في عملية الكشف.

في ورقة بحثية جديدة تحمل عنوان "تدفقات العمل الذاتية للكشف عن الشذوذ في الرسوم البيانية مع قليل من الأمثلة (Self-Designing Agentic Workflows for Few-Shot Graph Anomaly Detection)"، يقترح الباحثون إطارًا مبتكرًا يُعرف باسم SignGAD. يهدف هذا الإطار إلى إعادة صياغة مهمة الكشف عن الشذوذ من خلال تصميم تدفقات عمل تعتمد على المهام بدلاً من تدريب كاشف ثابت للشذوذ.

يتضمن SignGAD استخدام عملية بناء تدفقات عمل للكشف، بحيث يتم اختيار الترميزات الرسومية المناسبة (Graph Encodings) وتصميم الكاشف لاستخدام الأدلة الخاصة بالمهام. كما يتم تقديم استراتيجية نهائية محمية للتعديل (Guarded Final Refit Strategy) لتحسين موثوقية التدفق المختار من خلال ضبط قبول التعديل.

تظهر التجارب الشاملة التي أُجريت على عدة مجموعات بيانات حقيقية أن SignGAD يحقق أداءً قويًا مقابل الطرق الرائجة في هذا المجال، مما يسلط الضوء على فعالية هذا الإطار في مهام الكشف عن الشذوذ في الرسوم البيانية.