NAAST-GNN : Agrégation adaptive de voisinage et réglage spectral pour la détection d'anomalies dans les graphes

L'hétérophilie émerge comme un défi critique dans la détection d'anomalies dans les graphes (GAD). Des études récentes révèlent que les distributions de voisinage, plutôt que l'hétérophilie elle-même, sont le facteur fondamental du pouvoir expressif des réseaux de neurones graphiques (GNN). Cependant, deux défis majeurs restent non résolus. Premièrement, le chevauchement des distributions de voisinage entre les nœuds anormaux et normaux pose d'importantes difficultés pour les distinguer efficacement. Deuxièmement, la dispersion dans les distributions de voisinage au sein de la même classe empêche l'application d'une stratégie d'agrégation fixe pour accommoder les divers motifs au sein de la classe. Pour relever les défis mentionnés ci-dessus, nous proposons un nouveau modèle de réseau de neurones graphiques appelé Agrégation adaptive de voisinage et réglage spectral (NAAST-GNN). Plus précisément, nous concevons d'abord un module d'agrégation adaptive de voisinage qui ajuste le mécanisme de transmission de messages en fonction des probabilités prédites pour différentes classes de nœuds, garantissant que les nœuds de classes distinctes mais avec des distributions de voisinage similaires dérivent des informations agglomérées uniques. Nous présentons ensuite un module de réglage spectral qui sélectionne et combine dynamiquement des filtres spectraux en fonction de la distribution de voisinage prédite, assurant ainsi une adaptabilité aux diverses distributions de voisinage des nœuds au sein de la même classe. Des résultats expérimentaux complets démontrent que notre méthode surpasse les références à la pointe de la technologie.