该论文聚焦图异常检测 (Graph Anomaly Detection, GAD) 这一支撑欺诈识别、垃圾信息治理与网络入侵检测等关键场景的任务。作者指出，尽管近年来方法层出不穷，但现有方案普遍遵循「一个数据集训练一个模型」的范式：模型与特定图数据强绑定，面对任务异质性、标签稀缺和领域差异时迁移能力很差，难以在真实的多场景中复用。为此，作者提出 FoundAna——一个由 GNN 辅助的基础模型 (Foundation Model) 框架，声称是首个面向可泛化、跨图异常检测的基础模型方案，其核心思路是把图神经网络与 Transformer 结合。架构上，FoundAna 集成一个面向异常检测任务定制的 GNN 组件，并搭配标准 Transformer 编码器，同时引入四种互补的位置编码，使模型能够同时捕获局部与全局的结构信息。具体流程是：经位置编码增强的节点表示被送入属性解码器 (attribute decoder) 与邻接解码器 (adjacency decoder)，通过重建误差计算异常分数，从而摆脱对大量异常标签的依赖。实验方面，作者在覆盖金融、社交和引文网络三大领域的九个基准数据集上进行评估，结果显示 FoundAna 一致优于当前最先进的基线方法。论文同时公开了代码实现与补充材料，便于复现与后续研究。适合谁读：从事图机器学习、异常检测、反欺诈与网络入侵检测的研究者与工程团队。

该论文提出 NetVAD，一种基于网络基础模型（Network Foundation Model）的无监督入侵检测方法，旨在解决现有无监督模型性能远低于监督分类器的问题。NetVAD 采用严格无标识符（identifier-free）的变分自编码器（VAE），将冻结的基础模型输出的表示投影到特定任务的潜在空间，仅使用良性流量进行训练。在 ToN-IoT 和 IoT-23 数据集上评估，NetVAD 在可运行假阳性率下分别达到 98% 的 Micro F1 和 96% 的 Macro F1，性能与监督方法接近。特别地，该方法在检测复杂僵尸网络行为（如 Okiru 攻击）上表现优异（F1 达 99.6%），但对基于单数据包的侦察事件检测能力有限，揭示了基于流的基础模型的局限性。全面的消融研究证实，大规模预训练对维持性能至关重要，而专门的解码器架构则能更精确地建模良性流形，确保攻击因重建损失更高而被可靠捕获。该工作为无监督入侵检测提供了新思路，适合网络安防研究人员关注。

该论文提出了一种名为LoREnc的训练无关框架，用于保护基础模型（FM）和低秩适配器（LoRA adapter）免受知识产权泄露和模型恢复攻击。现有防御方法通常需要重新训练或访问原始数据集，实用性不足。LoREnc通过频谱截断与补偿技术，在不需要重新训练的情况下，抑制FM权重中的主导低秩分量，并在授权适配器中补偿缺失信息；同时采用正交重参数化，模糊受保护适配器的结构指纹。未经授权的用户使用受保护模型时会产生结构坍塌的输出，而授权用户可恢复精确性能。实验表明，LoREnc能够有效防御模型恢复攻击，且计算开销低于1%。该方法适用于边缘设备上的生成式AI场景，在不明显增加推理成本的前提下提供强保护。