Semi-supervised Graph Anomaly Detection via Robust Homophily Learning¶

会议: NeurIPS 2025
arXiv: 2506.15448
代码: GitHub
领域: 图异常检测, 半监督学习, 谱方法
关键词: 图异常检测, 同质性学习, 自适应频率滤波器, 半监督, 对比学习

一句话总结¶

提出RHO (Robust Homophily Learning)方法，通过自适应频率响应滤波器(AdaFreq)和图正常性对齐(GNA)模块，解决半监督图异常检测中正常节点同质性多样性的问题，在8个真实数据集上超越现有方法。

研究背景与动机¶

半监督图异常检测(GAD)利用少量标注正常节点从大量未标注节点中识别异常
现有方法假设：(1)正常节点具有相似的同质性水平；(2)标注正常节点能代表整体同质性模式
实际问题：正常节点的同质性差异很大——在Amazon和Elliptic数据集上，部分正常节点具有很低的同质性
传统GCN滤波器（低频假设）和BWGNN滤波器（预定义频率响应）都无法适应不同同质性分布的正常节点
这导致低同质性正常节点被错误分类为异常

方法详解¶

整体框架¶

RHO包含三个核心组件： 1. AdaFreq：自适应频率响应滤波器，同时在跨通道和通道内视图中学习 2. GNA：图正常性对齐，强制两个视图的正常性表示一致 3. 单类分类损失：将正常节点投射到超球面中心附近

关键设计¶

AdaFreq: 自适应频率响应滤波器¶

核心滤波函数：$g(\lambda) = 1 - k\lambda$，其中$k$为可学习参数 - $k > 0$：抑制高频，保留低频（高同质性节点） - $k < 0$：强调高频（低同质性节点） - $k = 0$：全通滤波器 - 堆叠$K$层后：$g(\lambda) = \prod_{i=1}^{K}(1 - k_i\lambda)$，可产生复杂频率响应

跨通道视图：所有通道共享单一$k$参数 $$H_{ccr}^{(t)} = \sigma((I - k\hat{L})H_{ccr}^{(t-1)}W_{ccr}^{(t)})$$

通道内视图：每个通道一个$k_j$，使用Hadamard积实现 $$H_{cwr}^{(t)} = \sigma((I - \hat{L})(H_{cwr}^{(t-1)} \odot K)W_{cwr}^{(t)})$$

GNA: 图正常性对齐¶

构建正对：同一节点在两个视图下的表征为正对
使用对比学习目标最大化正对相似性，最小化负对相似性
双锚点策略：分别以跨通道和通道内视图为锚点计算对比损失

损失函数 / 训练策略¶

总损失：$\mathcal{L}_{total} = \frac{1}{2}(\mathcal{L}_{ccr} + \mathcal{L}_{cwr}) + \alpha \mathcal{L}_{GNA}$

单类损失$\mathcal{L}_{ccr/cwr}$：最小化正常节点表征到超球面中心的距离
对齐损失$\mathcal{L}_{GNA}$：跨视图对比学习
推理时异常分数：节点到两个视图中心的平均距离

实验关键数据¶

主实验（AUROC，15%标注正常节点）¶

方法	Reddit	Tolokers	Photo	Amazon	Elliptic	Question	T-Finance	DGraph
GGAD	0.6354	0.5340	0.6476	0.9443	0.7290	0.5122	0.8228	0.5943
BWGNN	0.5580	0.5821	0.6861	0.8312	0.7241	0.5740	0.7683	0.4958
CONSISGAD	0.5347	0.5974	0.5859	0.8715	0.7354	0.5737	0.8277	0.5735
RHO	0.6207	0.6255	0.7129	0.9302	0.8509	0.5833	0.8623	0.6033

消融实验¶

跨通道视图单独使用：在Amazon上部分异常节点被误判为正常（位于中心附近）
通道内视图单独使用：部分正常节点偏离中心（产生假阳性）
两个视图联合使用(RHO)：正常节点更好聚集，伪装异常被成功检测

关键发现¶

RHO在8个数据集中的6个上超越最佳竞争方法GGAD，最大AUROC提升12.19%，AUPRC提升30.68%
在Elliptic数据集上效果最突出：AUROC从0.7354(CONSISGAD)提升至0.8509
AdaFreq在三种不同同质性分布下均表现稳健，而GCN和BWGNN滤波器在某些分布下失败
生成异常的方法(GGAD)在Amazon上表现最好，但泛化性不如RHO

亮点与洞察¶

揭示被忽视的问题：首次系统性揭示半监督GAD中正常节点的同质性多样性问题
理论保证：定理1证明自适应滤波器可自动放大正常节点频谱一致的分量、抑制不一致的分量
互补双视图设计：跨通道和通道内视图捕获互补的正常性模式，联合使用显著提升检测能力
无需异常标签：不依赖任何标注异常数据或生成异常

局限与展望¶

超参数α需要按数据集调整（大数据集1.0，小数据集0.1）
计算复杂度与边数线性相关，大规模图可能存在效率问题
需要至少5%的标注正常节点
未探讨动态图或时序图上的扩展
GNA对比学习中的温度参数τ的选择对性能的影响未详细讨论
仅在节点级异常检测中验证，未扩展到边级或子图级异常检测

评分¶

新颖性：⭐⭐⭐⭐ （自适应频率滤波+双视图对齐的组合设计新颖）
技术深度：⭐⭐⭐⭐⭐ （理论分析+方法设计+广泛实验）
实验充分性：⭐⭐⭐⭐⭐ （8个数据集，多种baseline，详细消融）
写作质量：⭐⭐⭐⭐ （逻辑清晰，图表丰富）