编辑推荐：
提出使用潜在异常（Potential Abnormality, PA）构建增强关系，用于多视图图异常检测的READ-GNN框架。缓解噪声邻域和多视图不一致性问题，以提升异常检测的稳定性和收敛速度。结合视图内PA聚合与视图间PA集成，加强跨视图异常信息对齐。在Y
提出使用潜在异常（Potential Abnormality, PA）构建增强关系，用于多视图图异常检测的READ-GNN框架。缓解噪声邻域和多视图不一致性问题，以提升异常检测的稳定性和收敛速度。结合视图内PA聚合与视图间PA集成，加强跨视图异常信息对齐。在YelpChi、IMDB、CICIDS2017数据集上优于现有最先进方法，并在标签有限的情况下表现出色。
论文解读：基于多视图GNN与潜在异常增强的图异常检测框架READ-GNN
图异常检测旨在识别在节点属性或图结构上显著偏离其他节点的个体，在社交媒体虚假评论检测、网络安全恶意流量识别、金融网络欺诈用户发现等领域具有广泛应用。近年来，基于图神经网络（Graph Neural Network, GNN）的异常检测方法取得了显著进展，其核心假设是邻居信息有助于刻画节点内在特征并暴露异常节点。然而，现有GNN-based异常检测方法仍面临两大关键挑战：其一是噪声邻域问题。大量研究表明，噪声邻域会显著削弱GNN的有效性。类别不平衡与异常伪装（anomaly camouflage）进一步引入额外干扰，例如垃圾评论者可能链接正常用户，恶意流量可能伪装于大量良性流量之中。已有方法主要通过重采样、重加权和基于谱域的方法缓解该问题，但大多仅关注修改原始属性和直接边，忽略了无直接连接但具有相似特征的节点所能提供的上下文信息。其二是多视图不一致性问题。在多视图图中，不同视图间的特征传播存在差异，导致节点表示在不同视图间出现分歧，进而造成模型收敛缓慢且不稳定。现有方法或构造单一同质图，或在不同视图聚合后简单集成输出，未能充分利用视图间的交互信息。
针对上述问题，研究人员提出潜在异常（Potential Abnormality, PA）概念，以增强原始图结构并引导传播方向。PA水平定义为节点在某一视图中直接连接的标记异常邻居数量，反映了节点的异常邻居暴露程度。统计分析表明，具有相似PA水平的节点往往呈现相似特征，因此可通过PA水平构建节点间的隐式增强关系，称为PA增强关系。基于此，研究人员提出了READ-GNN框架，通过异步传播机制，先进行PA增强关系传播，再将传播结果作为先验知识融入原始关系建模，从而缓解噪声邻域和多视图不一致性。实验在YelpChi、IMDB和CICIDS2017三个公开数据集上进行，结果表明READ-GNN在异常检测性能、鲁棒性、兼容性和效率方面均优于现有最先进方法。该论文发表于《Computer Networks》。
为开展研究，研究人员采用了以下关键技术方法：首先，基于训练集中标记异常节点计算每个节点在各视图的PA水平，并利用分位数离散化控制PA等级数量；其次，通过组池化与广播策略实现PA增强关系的传播，避免显式构建稠密邻接矩阵，使PA模块的计算复杂度与节点数呈线性关系；再次，采用异步双阶段传播机制，即先进行PA增强关系的视图内聚合和视图间集成，再将集成后的PA嵌入与原始嵌入拼接，输入到原始关系的GCN聚合器中；最后，使用考虑类别不平衡的对数先验修正交叉熵损失进行训练。实验数据集来源：YelpChi为Yelp平台酒店和餐厅评论（节点为评论，32维特征），IMDB为电影数据（节点为电影，7978维特征，采用扰动方法注入结构和属性异常），CICIDS2017为网络流量数据（节点为流量，3维数值特征）。
研究结果部分，论文通过多个实验回答了预设问题。在性能对比（Q1）中，READ-GNN在3个数据集、5%和40%两种训练比例下，整体上取得最优AUC、PR-AUC和F1-macro分数，尤其PR-AUC提升显著，表明模型对异常正样本更为关注。在消融研究（Q2）中，移除PA增强关系传播模块（w/o p）后性能下降明显，证明视图内PA聚合是关键；移除视图间PA集成（w/o i）后收敛速度变慢且不稳定，证明该模块有助于对齐跨视图异常信息。在PA增强关系设计合理性验证中，READ-GNN显著优于基于特征K近邻图（KNN-5、KNN-10）的变体，说明基于任务特定结构先验的PA增强关系比盲目添加特征相似边更有效；采用异常邻居比例（Ratio）变体与原计数PA性能相当，表明框架对PA定义具有灵活性。在增强现有GNN（Q3）方面，将PA组件加入CARE-GNN和BWGNN后，模型在三个数据集上的性能均获得提升，尤其PR-AUC提升明显，证明PA增强关系的兼容性。在敏感性分析（Q4）中，层数增加时性能提升有限，且过深会导致过平滑；嵌入大小对性能影响较小；最大PA等级数需平衡粒度与统计可靠性，且与数据集规模正相关。在鲁棒性测试（Q5）中，训练比例压缩至1%时，READ-GNN在YelpChi和CICIDS2017上仍保持领先，在IMDB上取得最佳PR-AUC；在标签噪声实验中，随着噪声比例从0%增至20%，READ-GNN的性能衰减明显缓于基线，表明PA增强关系能缓解局部标注噪声的影响。在可扩展性评估（Q6）中，与无PA版本相比，完整READ-GNN在最大数据集CICIDS2017上训练时间仅增加约6.9%，内存仅增加约8.5%，验证了组池化实现的效率。在伪标签讨论（Q7）中，利用标签传播算法（Label Propagation Algorithm, LPA）生成伪标签辅助构建PA增强关系，结果显示伪标签质量与性能提升正相关：在YelpChi和CICIDS2017上，高质量伪标签带来明显增益；在IMDB上，LPA准确率接近随机猜测，低质量伪标签反而引入噪声导致性能下降。
在讨论部分，研究指出PA增强关系在结构上提供了基于异常邻居暴露的关系级信号，能够缓解局部标注噪声的影响；伪标签的利用是一把“双刃剑”，其有效性取决于伪标签本身的质量。研究结论部分，论文提出了一种基于多视图GNN的关系增强异常检测框架READ-GNN，通过正式定义潜在异常并构建PA增强关系来补充原始图结构，异步传播PA增强关系信息并融入原始关系建模，从而有效缓解噪声邻域和多视图不一致性问题。在三个公开数据集上的实验验证了所提方法的有效性、鲁棒性和兼容性。未来工作可探索利用伪标签构建PA增强关系的更高效方法，以及将PA增强组件与现有图优化模块结合。
