图异常检测（Graph Anomaly Detection, GAD）旨在识别图中稀有的观测项。由于其在众多高影响力应用领域中的重要性，如在线购物应用中的违规评论与恶意行为检测、网络攻击检测，以及线上/线下金融服务中的可疑活动检测，该领域近年来受到了日益广泛的关注。GAD 基础模型是指在特定图数据上训练的通用化模型（Generalist Model），使其能够有效地在不同领域和任务之间进行泛化。近年来，这类模型因其无需针对特定任务进行重新训练即可提供强大的零样本（Zero-shot）和少样本（Few-shot）性能而备受瞩目。通过学习跨任务的领域不变性（Domain-invariant）和可迁移表示（Transferable Representations），GAD 基础模型能够快速适配新的异常检测场景，从而适用于隐私保护异常检测、可迁移网络安全与威胁检测，以及社交网络中的跨平台异常检测等广泛用例。 在本教程中，我们旨在全面呈现专为 GAD 设计的深度学习方法，以及用于检测图中异常活动的基础模型。具体而言，我们首先将详述 GAD 的核心概念与分类体系（Taxonomies）。随后，我们将从图数据方法论设计的多个维度——包括 GNN 骨干网络（Backbone）设计、**代理任务（Proxy Task）**设计以及异常度量（Anomaly Measure）——回顾当前主流的前沿深度异常检测方法。接着，我们将建立传统方法与 GAD 基础模型之间的联系，重点阐述近期研究进展如何继承或区别于传统方法。此后，我们将分别从跨领域和跨任务的角度，对现有用于检测图中异常活动的基础模型进行全面综述，讨论其底层原理、设计选择以及在各种设置下的有效性。最后，我们将提出未来研究方向，以帮助研究人员深入理解该领域，并推动未来产生更多高质量的研究与实际应用。