Nuovo Benchmark Rivela Fallimenti dei Modelli GAD su Grafi con Milioni di Nodi

Un nuovo benchmark multi-dimensionale per il Rilevamento di Anomalie nei Grafi (GAD) indica che la maggior parte delle tecniche basate su GNN fatica ad adattarsi a grafi con milioni di nodi a causa dell'eccessivo fabbisogno di memoria. Questo benchmark, descritto nell'articolo arXiv 2605.07133, valuta rigorosamente nove modelli GAD noti rispetto a tre sfide rilevanti: grafi con milioni di nodi, scarsità estrema di anomalie e assenza di attributi dei nodi. Varianti controllate sono derivate da cinque grafi distinti, che includono due dataset su scala industriale con oltre 3,7 milioni di nodi. La ricerca rivela una discrepanza significativa tra le valutazioni accademiche e le applicazioni pratiche, poiché gli attuali benchmark si concentrano su grafi piccoli e curati con distribuzioni di anomalie abbastanza bilanciate. I risultati sottolineano che molti metodi falliscono in condizioni di estrema scarsità di anomalie e attributi mancanti, evidenziando gravi limitazioni per usi nel rilevamento di frodi finanziarie e nella governance delle piattaforme social.