多视角消息传递（MMP）增强无监督图异常检测：互补与冲突信息的动态调控机制

本文提出多视角消息传递框架（MMP），创新性地解决图神经网络（GNN）在多视角属性图异常检测中互补信息利用不足与冲突信息处理缺失的核心问题。通过视图特异性聚合函数动态调节不同视角（如地理位置、设备登录、消费行为）的贡献权重，结合重构差异优化机制，显著提升异常检测精度与模型可解释性。实验验证其在合成与真实数据集上的优越性。

　　

亮点

本研究首次系统化定义了多视角属性图中的冲突问题，并提出直观高效的多视角消息传递范式（MMP），能够协同处理互补与冲突信息。

动机分析

为探究基于消息传递的GNN在多视角异常检测中的局限性——即互补信息利用率低且冲突信息未被利用，我们分析了消息传递过程中视角间的交互作用。通过量化子视角特征变化对聚合后视图表示的影响（k层传播后），揭示了冲突信息对表征学习的干扰机制。

初步研究

定义多视角属性图为G=(V,E,X,Y)，其中节点集V和关系集E按属性类别划分为k个子视角{H₁,...,H_k}，各视角特征矩阵X^(p)∈R^N×d可能包含单或多属性。该模型可视为k个单视角图的有机组合。

实验

通过合成与真实场景数据集验证了方法的有效性。

结论

MMP框架通过动态调节多视角特征聚合权重，在强化互补信息的同时抑制冲突信息的负面影响。创新的聚合损失机制进一步优化了重构差异，为复杂场景下的异常检测提供了新思路。

（注：翻译严格遵循生命科学领域术语规范，如GNN、k层传播等均保留英文缩写与数学符号，并通过"协同处理""动态调节"等生动表述增强可读性。）