多视图属性图中互补与冲突信息协同优化的图神经网络异常检测框架

本文提出了一种创新的多视图消息传递范式（MMP），通过动态调整视图间互补与冲突信息的聚合权重，有效解决了图神经网络（GNN）在多视图属性图异常检测中的关键挑战。该方法采用视图特异性聚合函数和重构差异优化机制，显著提升了社交网络、网络安全等领域的异常检测精度与可解释性。

　　

亮点

本研究首次系统阐述了多视图属性图中视图间冲突问题的形式化定义，并提出动态消息传递机制MMP，其创新性体现在：

1）通过视图特异性聚合函数量化子视图与全局图结构的对齐程度

2）采用^(k)层消息传递动态平衡互补视图（如地理位置与消费行为）和冲突视图（如可信设备与异常交易）的贡献

3）创新性设计聚合损失函数，通过优化原始视图与聚合表征的重构差异提升模型性能

初步研究

定义多视图属性图G=(V,E,X,Y)，其中节点集V包含n个节点，属性空间X被划分为k个子视图X⁽¹⁾...X^(k)。每个子视图可能包含单/多维度特征，形成d×N维特征矩阵。

实验验证

在合成与真实数据集（含电商行为图谱）的测试表明：

• •

  MMP对冲突信息的抑制效率比基线方法提升37.2%

• •

  互补视图协同作用使AUC指标达到0.928

• •

  聚合损失机制使误报率降低21.8%

结论

MMP框架通过创新性地处理多视图间动态关系，为金融反欺诈、网络安全等场景提供了更可靠的异常检测方案。其核心价值在于：

1）突破传统GNN对视图关系的简化假设

2）建立冲突信息的量化管理范式

3）通过可解释的聚合过程增强结果可信度