摘要
在现实世界中，欺诈者常通过添加大量合法链接来掩盖其自身的直接关联，从而导致欺诈图中出现异配性（heterophily）现象。这一特性是大多数基于图神经网络（GNN）的方法难以有效应对的问题。尽管已有若干研究从空间域（spatial domain）出发尝试解决该问题，但在谱域（spectral domain）中针对异配性问题的研究仍较为有限，主要原因在于对具有异配性的图结构中谱能量分布规律的理解尚不充分。本文通过分析不同异配程度下的图谱分布特性，发现欺诈节点的异配性会导致图的谱能量从低频向高频迁移。进一步实验验证表明，基于异配边与同配边对图进行划分，能够更显著地增强信号在不同频率带中的表达能力。基于这一发现，我们提出了一种新型谱图神经网络——SplitGNN，旨在有效捕捉异配性背景下的欺诈信号。SplitGNN采用边分类器对原始图进行分割，并引入灵活的带通图滤波器（band-pass graph filters）来学习节点表示。在多个真实世界数据集上的大量实验结果表明，所提出的SplitGNN方法在欺诈检测任务中具有显著优势。相关代码与数据已公开，可访问 https://github.com/Split-GNN/SplitGNN 获取。