GAD中的解耦方向文章分享：HEM

yinda_peng

NeurIPS 2025 | HEM：解耦 + 环境 Mixup，解决图异常检测中的结构分布偏移
Out-of-Distribution Generalized Graph Anomaly Detection with Homophily-aware Environment Mixup

一、问题背景

图异常检测（GAD）模型通常假设训练图和测试图来自同一分布。但现实中，结构分布偏移非常常见——比如训练集中的异常节点往往同配性高（邻居标签与自身一致），而测试集中的异常节点同配性低。
模型在高同配图上训练后，会学到一个偷懒的规则：直接拿邻居的多数标签来预测中心节点。这个规则在训练集上很有效，但到低同配的测试集上就失效了。论文把这种虚假模式称为 homophilic shortcut（同配性捷径）。

（原文 Figure 1）展示了整体框架：原始图经过同配性感知环境 Mixup 生成增强图，两者都送入 Ego-Neighborhood 解耦编码器，提取特征表示和结构表示，然后计算分类损失、增强损失、多样性损失和 PER 损失。
实验表明，基线方法在无偏移时表现良好，在有偏移时 AUPRC 下降 8%~33%（原文 Table 1）。

二、Ego-Neighborhood 解耦编码器

核心思想：把节点自身特征和邻域结构分开编码，避免结构分布偏移时特征表示被结构噪声污染。

2.1 邻域编码器

给定初始节点特征 X 和邻接矩阵 A，先用一个 MLP 投影到嵌入空间：

$H_0 = \mathrm{Proj}(X)$

然后计算邻域嵌入：

$H_{ne} = \mathrm{GNN}(H_0, A)$

论文采用 BWGN 作为邻域编码器，其嵌入可以写成：

$H_{ne} = \sum_{k=0}^{K} w_k \hat{A}^k H_0$

其中 $A_hat$ 是归一化邻接矩阵，$w_k$ 是 Beta 多项式系数。（原文公式 3-5）

2.2 Ego 编码器

Ego 编码器只编码节点自身特征，不聚合邻居，用 MLP 实现：

$H_{ego} = H_0 = \mathrm{Proj}(X)$

它与邻域编码器共享同一个投影器，确保嵌入在同一空间对齐。（原文公式 6）

2.3 对比预测

为了捕捉 ego 节点和邻域之间的差异（异常信号），用双线性函数预测异常概率：

$P(y \mid h_{ego}, h_{ne}) = \sigma(h_{ego}^T W h_{ne})$

其中 W 是可学习的权重矩阵，σ 是 sigmoid 函数。（原文公式 7）
这个设计的直觉是：异常节点之所以异常，往往是因为它和邻域的“差异”大。把 ego 和邻域解耦，才能把这个差异捕捉出来。

三、同配性感知环境 Mixup

目标：动态调整边权重，生成不同同配性的环境，让模型学不变模式。

3.1 边权重注意力

用注意力机制计算每条边的权重：

$w_{(u,v)} = \mathrm{sigmoid}\left(\mathrm{LeakyReLU}\left(\mathrm{concat}(h_{ego|u}, h_{ego|v})W\right)\right)$

其中 W 是可学习的注意力权重矩阵。$w_(u,v)$ 被归一化到 [0,1]。（原文公式 10）
与直接删边/加边相比，这种做法的优势是：

• 连续调制：可以平滑地改变结构；
• 内存高效：不需要存储多个稠密邻接矩阵；
• 同配性感知：根据边两端节点的特征调整权重，生成的环境更有意义。
  

3.2 增强图与损失

用调整后的边权重对图进行消息传递，得到增强的 ego 和邻域嵌入 $H'_ego$ 和 $H'_ne$，然后计算增强损失：

$L_{AUG} = \mathcal{L}(P(y \mid H'_{ego}, H'_{ne}), Y)$

其中 L 是交叉熵损失。（原文公式 11）

3.3 多样性损失与 PER 损失

为了保证生成的环境具有多样性，引入多样性损失：

$L_{DIV} = \mathrm{CosineSimilarity}(H_{ne}, H'_{ne})$

同时用 PER 损失约束扰动边比例，避免平凡解。（原文公式 12-13）

四、对抗训练框架

采用迭代对抗训练，外层训练编码器，内层训练环境 Mixup。
外层损失（训练编码器）：

$L_{outer} = L + L_{AUG}$

其中 L 是原始图上的分类损失。（原文公式 14）
内层损失（训练环境 Mixup）：

$L_{inner} = -L_{AUG} + L_{DIV} + L_{PER}$

这里 $-L_AUG$ 鼓励生成更具挑战性的环境，$L_DIV$ 增强多样性，$L_PER$ 约束扰动边比例。（原文公式 15）
训练过程交替优化外层和内层，原文 Algorithm 1 给出了完整流程。

五、理论分析

论文用简化例子证明了两个引理：

引理 1：最优预测系数 $α*(h)$ 显式依赖于同配性 h：

$\alpha^*(h) = \frac{\pi(1-\pi)(2h-1)}{\frac{h(1-h)}{d} + \pi(1-\pi)(2h-1)^2}$

训练时 $h_tr$ 和测试时 $h_te$ 不同，模型就会次优。（原文公式 18）

引理 2：如果 $|h_te - h_tr| ≤ ε$，通过环境 Mixup 和对抗训练，测试损失与最优损失的差距被下式约束：

$L(h_{te}, \alpha_{tr}^*) - L(h_{te}, \alpha_{te}^*) \leq V_{\max} L_f^2 \epsilon^2$

其中 $L_f$ 是 $f(h) = α_h*$ 的 Lipschitz 常数，$V_max$ 是方差上界。（原文公式 19）

也就是说，只要环境 Mixup 覆盖了测试时的同配性范围，模型就能泛化。

六、实验结果

• 数据集：Amazon、Yelp、T-Finance
• 指标：AUPRC、Recall@K
• 主要结果：HEM(+BWGNN) 在有偏移测试集上一致优于所有基线，Amazon 提升 3.4%，Yelp 提升 6.9%，T-Finance 提升 1.3%。（原文 Table 1 和 Table 2）
• 
• 消融：去掉解耦编码器、多样性损失、PER 损失，性能均显著下降。（原文 Table 3）
• 
  

论文链接：https://mn.cs.tsinghua.edu.cn/xinwang/PDF/papers/2025_Out-of-Distribution Generalized Graph Anomaly Detection with Homophily-aware Environment Mixup.pdf
代码：目前未公开

yinda_peng

诶，我记得论坛不是支持$latex$的吗