图级异常检测（GLAD）旨在发现与多数图结构显著不同的异常图。现有方法多依赖特定数据集，需要大量同域标注数据和训练成本，难以在标注稀缺且领域不断涌现的真实场景中推广。本文聚焦通用 GLAD，即在最少目标数据监督下，学习一个能够跨多域检测异常图的统一模型。该任务面临两大挑战：从异构图数据中学习可迁移的异常模式，以及在有限监督下实现高效适配。为此我们提出 GenGLAD。核心思想是利用基于图神经网络的判别子图提取模型，学习在不同领域中区分异常与正常图的关键子结构。测试时，计算提取子图与多层上下文信息之间的多维差异，以多视角刻画异常；随后引入轻量化评分模块，自动挑选最具信息量的信号，提升对误导模式的鲁棒性。大量基准实验表明，GenGLAD 在性能、泛化能力和数据效率上均优于现有方法。
点评：该工作通过判别子图的可迁移学习，为跨域图异常检测提供了实用的统一框架，展示了在数据稀缺环境下的强大适应性。