缓解图谱异常检测中的同质性差异：一种可扩展且自适应的方法
机器学习
2026-03-10 v1
摘要
图谱异常检测（GAD）旨在识别结构或特征偏离正常模式的节点。尽管最近基于图神经网络的方法在该任务上取得了进展，但它们面临两个主要挑战：1）同质性差异，即节点在类别和节点层面 exhibit 不同的同质性；2）可扩展性受限，许多方法依赖高成本的整图操作。为解决这些问题，我们提出了 SAGAD，即可扩展且自适应的框架进行 GAD。SAGAD 预计算多跳嵌入，并应用再参数化的切比雪夫滤波器提取低频和高频信息，实现高效训练并捕捉同质性和异质性模式。为缓解节点层面的同质性差异，我们引入了基于异常情境的自适应融合机制，利用以鲁大夫商数为导向的异常子图结构为每个节点提供的融合系数，对低通和高通嵌入进行自适应融合。为缓解类别层面的差异，我们设计了频率偏好引导损失，鼓励异常节点保留更多高频信息。SAGAD 支持 mini-batch 训练，实现线性时间和空间复杂度，并在大规模图上大幅降低内存使用。理论上，在温和条件下，SAGAD 确保了正常节点与异常节点之间的渐近线性可分性。广泛的实验在 10 个基准数据集上证明，SAGAD 在准确率和可扩展性方面优于最先进的方法。
引用
@article{arxiv.2603.08137,
title = {Mitigating Homophily Disparity in Graph Anomaly Detection: A Scalable and Adaptive Approach},
author = {Yunhui Liu and Qizhuo Xie and Yinfeng Chen and Xudong Jin and Tao Zheng and Bin Chong and Tieke He},
journal= {arXiv preprint arXiv:2603.08137},
year = {2026}
}
备注
Accepted by WWW 2026