NK-GAD: Neighbor Knowledge-Enhanced Unsupervised Graph Anomaly Detection

傳統圖神經網路常假設相連節點擁有相似特徵，但真實世界的社群與金融圖資卻顯示，無論異常或正常節點的連線，其屬性相似度多半落在極低的 0 到 0.25 區間。這個反直覺現象促使研究團隊開發出 NK-GAD 框架，直接將無監督圖異常檢測的平均 AUC 提升了 3.29%。

突破同質性假設：圖結構中的屬性異質性現象

多數基於圖神經網路（GNN，透過節點間訊息傳遞來學習特徵的模型）的無監督異常檢測方法，都高度依賴同質性假設。這種傳統觀點認為相連的節點應該具備相似的屬性或標籤。但在現實場景如社群網路、電子商務與金融交易中，圖結構數據往往展現出強烈的屬性層級異質性（Attribute-level Heterophily，相連節點特徵差異極大）。

許多現有模型在處理這類異質性圖數據時，效能會大幅衰退。因為演算法在計算訊息傳遞時，會自動降低相異節點間的權重，導致過濾掉原本正常的鄰居資訊。為了找出這個問題的根本原因，研究人員針對 Weibo 與 Reddit 等真實資料集進行了深度特徵分析，並找出了傳統檢測機制的盲區。

頻譜與空間的觀察：單靠相似度無法分辨異常

從空間域的角度來看，研究團隊發現了一個關鍵現象。在這些具備屬性異質性的圖結構中，無論是「異常與正常」還是「正常與正常」的節點連線，雙方的屬性相似度分佈幾乎完全重合。這意味著現有演算法若僅依賴節點特徵的餘弦相似度來修剪邊緣，將會無差別地刪除正常連線，引發嚴重的資訊遺失。

轉向頻譜域（Spectral domain，將圖結構轉換至頻率空間進行分析）後，另一個明顯的特徵浮出水面。以 Weibo 資料集為例，超過 90% 的頻譜能量集中在中頻範圍；當移除圖中的異常邊緣後，低頻與高頻區域的頻譜能量分佈會出現一致的上升趨勢，而中頻區域的波動卻顯得雜亂無章。這項結果顯示，高頻與低頻成分的訊號遠比中頻更具異常判別力，但過去的方法卻往往忽略了高頻成分的重要性。

NK-GAD 框架設計：聯合高低頻訊號提取鄰居特徵

為了解決上述限制，研究團隊提出了一套名為 NK-GAD（鄰居知識增強的無監督圖異常檢測）的全新架構。這個模型揚棄了對單一頻率特徵的依賴，轉而設計出聯合圖卷積編碼器（Joint Graph Convolutional Encoder）。該編碼器內部配置了並行運作的低通與高通濾波器，能夠同時捕捉鄰居節點之間相似與相異的特徵模式。

低通濾波負責處理平滑的特徵過渡，保留節點間的共同屬性；高通濾波則專注於捕捉尖銳的特徵變化，反映出異質性圖中相連節點的差異。系統接著運用可學習的權重係數，將這兩股從頻譜域提取的表徵融合，生成更全面且不失真的隱藏層節點向量，作為後續異常分類的基礎。

鄰居重建與中心聚合：分層攔截結構與上下文異常

處理完特徵提取後，NK-GAD 必須面對圖數據中常見的兩種異常：結構異常（邊連線不合常理）與上下文異常（節點屬性與周圍格格不入）。針對結構異常，模型導入了鄰居重建模組，利用提取出的模式來預測鄰居特徵分佈的平均值、標準差與共變異數矩陣。這種做法能有效識別出不符合正常分佈的邊緣，進而降低異常鄰居對中心節點的影響。

面對上下文異常，系統則啟動中心聚合模組進行防禦。此模組透過圖注意力機制，將預測出的鄰居特徵分佈重新聚合，用以平滑並更新中心節點的表徵。最終，雙解碼器會接手這些被淨化的數據，分別重建節點屬性與鄰接矩陣，藉由計算重建誤差來為每個節點打上量化的異常分數。

七大數據集測試結果：平均 AUC 提升 3.29%

在涵蓋社群媒體、電子商務與通訊網絡的七個開源資料集上，NK-GAD 展現了強悍的泛化能力。對比 DOMINANT、GAD-NR 與 SmoothGNN 等九種主流基準模型，這套新框架在六個資料集中奪下最佳表現，平均 AUC（曲線下面積，衡量分類器效能的指標）提升幅度高達 3.29%。

特別在包含百萬級別節點的 Elliptic 金融交易與 DGraph 數據集中，NK-GAD 依然能穩居榜首。這歸功於模型支援小批次（mini-batch）訓練策略，將記憶體消耗從節點數量的二次方降至接近線性增長。這項特性確保了即使面對擁有極端屬性異質性的大規模真實網路，模型也能在一般 GPU 環境下完成高效的無監督異常排查。

揚棄不合時宜的同質性假設，NK-GAD 證明了高低頻訊號的並行處理才是大規模圖異常檢測的關鍵解答。