現実世界における詐欺行為を行う者たちは、自らの直接的なリンクを隠蔽しつつ、正当なリンクを追加する傾向があり、その結果、詐欺グラフにおいて異質性（heterophily）が生じる。この現象は、大多数のGNNベースの手法が設計上対応できない問題である。これまでに、空間領域（spatial domain）からこの問題に取り組む研究が複数提案されているが、異質性を示すグラフにおけるスペクトルエネルギー分布の理解が不十分であるため、スペクトル領域（spectral domain）における研究は依然として限られている。本論文では、異なる異質性度合いを持つグラフにおけるスペクトル分布を分析した結果、詐欺ノードの異質性がスペクトルエネルギーを低周波帯から高周波帯へと移動させることを観察した。さらに、異質性のある辺と同質性のある辺を用いてグラフを分割することで、異なる周波数帯域における信号表現がより顕著になることを確認した。この知見を踏まえ、異質性に耐性のある詐欺検出を実現するため、スペクトルグラフニューラルネットワーク「SplitGNN」を提案する。SplitGNNはエッジ分類器を用いて元のグラフを分割し、柔軟なバンドパスグラフフィルタを導入して表現を学習する。実世界データセットを用いた広範な実験により、本手法の有効性を実証した。コードおよびデータは、https://github.com/Split-GNN/SplitGNN にて公開されている。