异质性图结构学习新范式：SPS-GAD光谱空间模型在节点异常检测中的突破性应用

本文推荐：该研究创新性地提出SPS-GAD框架，通过节点重构模块缓解伪装特征（camouflage）干扰，结合子图类型感知的光谱滤波（subgraph-type-aware spectral filtering）和邻居感知图注意力机制（GAT），有效解决异质性图（heterophilic graphs）中因类别不平衡导致的异质性差异问题。实验证明其在F1-Macro和AUC指标上显著超越基线方法，为欺诈检测等场景提供新思路。

　　

亮点与结论

• 我们提出节点重构模块，通过提取稳定的中间表征缓解节点伪装（camouflage）导致的特征不一致性，为图异常检测（GAD）提供更可靠的特征基础。

• 针对类别不平衡引发的异质性差异，开发子图类型感知光谱滤波模块，将图划分为同质性（homophilic）、模糊性（ambiguous）和异质性（heterophilic）子图，并分别采用低通、带通和高通滤波器捕捉不同频段特征。

• 结合邻居类型感知图注意力模块（neighbor-type-aware GAT），通过边缘评分动态调整邻居权重，增强空间表征学习能力。

实验验证

在六个真实数据集上的测试表明，SPS-GAD在F1-Macro和AUC等关键指标上显著优于基线方法。例如，在异质性对比强烈的场景下，其对少数类节点的检测准确率提升达40%，证实了框架在复杂异质性图中的鲁棒性。

结论

SPS-GAD通过多模块协同，成功解决了异质性图中的伪装特征干扰和类别失衡问题。光谱-空间联合学习策略为金融风控（如信用卡欺诈识别）和网络安全（如僵尸网络检测）等领域的图异常检测提供了新范式。源代码已开源。