面向图级异常检测的双视角感知图神经网络（DPGNN）：解决聚合与读出异常稀释问题的新框架

本文提出双视角感知图神经网络（DPGNN），针对图级异常检测（GAD-GNN）中因正常节点主导消息传递（Message Passing）导致的异常信号稀释问题，创新性地融合全局结构感知（GAM）与局部异常子图增强（LAM）模块，显著提升分散型与集中型异常模式的检测效能，为生物分子网络及社交图异常识别提供强通用性解决方案。

　　

Highlight

本研究聚焦图级异常检测（GAD-GNN）中因标准图神经网络（GNNs）架构局限性导致的异常信号稀释问题，具体表现为：

• •

  聚合异常稀释（Aggregation Anomaly Dilution）：稀疏分布的异常节点在消息传递过程中被正常节点信号淹没；

• •

  读出异常稀释（Readout Anomaly Dilution）：局部聚集的异常模式在全局读出（Readout）操作中被平滑忽略。

Methodology

DPGNN框架通过双模块协同应对上述挑战：

• •

  全局感知模块（Global Awareness Module, GAM）：融合多尺度随机游走返回概率指纹与节点属性，增强异常节点在聚合中的可见性；

• •

  局部感知模块（Local Awareness Module, LAM）：基于结构线索自适应提取异常子图，并采用注意力机制读出以保留局部异常信号。

Experiments

在多个抗癌分子数据集及跨域生物医学数据上的实验表明，DPGNN在准确性、鲁棒性与泛化性上均优于现有前沿方法，验证了其处理复杂生物网络异常的有效性。

Conclusion

DPGNN通过全局-局部双视角融合，显著缓解了图级异常检测中的信号稀释问题，为生物医学网络（如蛋白质异常构象、毒性化合物识别）提供了可靠技术路径。