في العالم الحقيقي، يُعدّ المُحتالون غالبًا ما يضيفون روابط شرعية إضافية بينما يُخفيّون روابطهم المباشرة من خلال تعاونهم مع مُحتالين آخرين، مما يؤدي إلى ظهور تمايز غير متجانس (Heterophily) في رُسُوم المُحتالين، وهو ما يُعدّ مشكلة لا تُعالجها معظم التقنيات القائمة على الشبكات العصبية الرسومية (GNN). وقد تم اقتراح عدة أعمال لمعالجة هذه المشكلة من منظور المجال المكاني (spatial domain). ومع ذلك، ما زالت الأبحاث المُتخصصة في معالجة مشكلة التمايز غير المتجانس من منظور المجال الطيفي (spectral domain) محدودة، وذلك بسبب نقص الفهم المُفصّل لتوزيع الطاقة الطيفية في الرسومات التي تُظهر تمايزًا غير متجانس. في هذا البحث، نُحلّل توزيع الطيف بدرجات مختلفة من التمايز غير المتجانس، ونلاحظ أن التمايز غير المتجانس الخاص بعُقد المُحتالين يؤدي إلى انتقال الطاقة الطيفية من الترددات المنخفضة إلى الترددات العالية. علاوةً على ذلك، نُثبت أن تقسيم الرسم البياني باستخدام الحواف غير المتجانسة (heterophilic edges) والحواف المتجانسة (homophilic edges) يمكن أن يُعزز التعبير عن الإشارات في نطاقات ترددية مختلفة. وتُحفّز هذه الملاحظة تطوير نموذجنا المُقترح، المُسمّى "SplitGNN"، وهو نموذج للشبكة العصبية الرسومية الطيفية المصمّم لاستشعار الإشارات في مواجهة التمايز غير المتجانس بهدف كشف المُحتالين. يعتمد SplitGNN على فاصل حواف (edge classifier) لتقسيم الرسم البياني الأصلي، ويستخدم مرشحات رسمية مرنة من نوع مرشحات النطاق (band-pass graph filters) لاستخلاص التمثيلات. وقد أظهرت تجارب واسعة على مجموعات بيانات حقيقية فعالية الطريقة المقترحة. ويمكن الوصول إلى الشفرة والبيانات عبر الرابط التالي: https://github.com/Split-GNN/SplitGNN.