基于因果边分离与光谱的图异常检测方法
机器学习
2025-08-21 v1
摘要
在现实世界中，异常实体往往添加更多合法连接，同时隐藏与其他异常实体的直接关联，导致异常网络呈现出偏向异质性的结构，而大多数基于图神经网络的技术难以处理。已提出多种方法在空间域中解决此问题，但这些方法忽视了节点结构编码、节点特征与其上下文环境之间复杂关系，缺乏原则性指导，针对解决光谱域异质性问题的研究仍有限。本研究分析了不同异质性程度的节点光谱分布，发现异常节点的异质性导致光谱能量从低频转向高频。为此，我们提出一种基于因果边分离的光谱神经网络 CES2-GAD，用于异质性图上的异常检测。首先，CES2-GAD 将原始图分离为 homophilic 边和 heterophilic 边。随后，使用各种混合光谱滤波器捕获分段图的信号。最后，将来自多个信号的表示拼接后输入分类器进行异常预测。大量真实世界数据集上的实验表明，我们所提出的方法效果显著。
引用
@article{arxiv.2508.14684,
title = {Addressing Graph Anomaly Detection via Causal Edge Separation and Spectrum},
author = {Zengyi Wo and Wenjun Wang and Minglai Shao and Chang Liu and Yumeng Wang and Yueheng Sun},
journal= {arXiv preprint arXiv:2508.14684},
year = {2025}
}
备注
Proceedings of the 2024 KDD Workshop