多头频谱自适应图异常检测
机器学习
2025-12-30 v1 人工智能
摘要
图异常检测技术在金融欺诈和风险控制中有着广泛应用。然而，现有图异常检测方法在处理复杂多变的异常模式时往往面临重大挑战，因为异常节点常被伪装并与正常节点混合，导致图域中同配性与异配性并存。近期频谱图神经网络在解决此问题上取得了显著进展；但当前技术通常采用固定的、全局共享的滤波器。这种“一刀切”的方法容易导致过度平滑，抹去欺诈检测所需的关键高频信号，且缺乏对不同图实例的自适应能力。为解决此问题，我们提出了一种多头频谱自适应图神经网络（MHSA-GNN）。其核心创新在于设计了一个轻量级超网络，该网络以包含结构统计量和瑞利商特征的“频谱指纹”为条件，动态生成针对每个实例定制的切比雪夫滤波器参数。这为每个节点及其局部子图实现了定制化的滤波策略。此外，为防止多头机制中的模式坍塌，我们引入了一种新颖的双重正则化策略，该策略结合了师生对比学习以确保表示准确性，以及Barlow Twins多样性损失以强制头之间的正交性。在四个真实世界数据集上的大量实验表明，我们的方法有效保留了高频异常信号，并显著优于现有最先进方法，尤其是在高度异质的数据集上表现出卓越的鲁棒性。
引用
@article{arxiv.2512.22291,
title = {Multi-Head Spectral-Adaptive Graph Anomaly Detection},
author = {Qingyue Cao and Bo Jin and Changwei Gong and Xin Tong and Wenzheng Li and Xiaodong Zhou},
journal= {arXiv preprint arXiv:2512.22291},
year = {2025}
}