该论文提出了一种名为 KnowGraph 的新型图异常检测方法，旨在解决传统基于图神经网络（GNN）的方法在数据分布变化时泛化能力不足的问题。实际安全场景中（如交易网络欺诈检测、网络流量入侵检测），领域知识通常更稳定且已被广泛使用，但现有模型难以有效整合这些知识。KnowGraph 包含两个核心组件：第一，统计学习组件，包含一个用于整体检测任务的主模型以及多个预测特定领域语义实体的专门知识模型；第二，推理组件，利用概率图模型基于模型输出执行逻辑推理，通过加权一阶逻辑公式编码领域知识。在大规模真实数据集上的实验表明，KnowGraph 在直推式（transductive）和归纳式（inductive）设置下均一致优于当前最先进的基线方法，尤其在泛化到完全未见过的测试图时，平均精度获得显著提升。消融实验进一步证明了推理组件在改善检测性能方面的有效性，特别是在极端类别不平衡情况下。该工作凸显了将领域知识融入数据驱动模型在高风险基于图的安全应用中的潜力。