图神经网络入门（GNN）
内容提要
图卷积网络用邻接矩阵处理不定邻居，以拉普拉斯矩阵特征向量为傅立叶基实现卷积，并用切比雪夫近似降低矩阵分解复杂度。但GNN倾向平滑节点特征，主要提取低频信息，削弱异常节点的高频表达。为此，提出用不同频次滤波器抽取特征，再经attention融合，显著提升异常检测效果，达到新SOTA。
延伸解读
图卷积为何依赖拉普拉斯矩阵
图结构数据中，每个节点的邻居数量不固定，无法直接套用CNN的固定卷积核。文章指出，通过邻接矩阵将所有节点信息输入，不连接的置零，可统一处理。进一步，利用拉普拉斯矩阵L=D-A，其实对称性保证可对角化，特征向量作为傅立叶基，从而在图上实现卷积。这解释了图卷积的数学基础，也带来矩阵分解的高复杂度问题。
GNN的低频偏好与异常检测瓶颈
GNN在消息传递中倾向于平滑节点特征，导致主要提取低频信息。文章解释，正常节点特征平缓对应低频，异常节点特征陡峭对应高频。平滑操作会削弱异常节点的高频表达，从而降低异常检测效果。这一发现揭示了GNN在异常检测任务中的固有局限，即过度平滑可能掩盖关键异常信号。
多频滤波器与注意力融合的改进思路
为克服GNN的低频偏好，文章提出使用不同频次的滤波器抽取特征，再通过attention机制融合。这样既能保留低频信息，又能捕捉高频异常特征，显著提升异常检测性能，达到新的SOTA。该思路表明，针对特定任务调整GNN的频率响应是有效的改进方向，而非单纯加深网络。
高低频特征的理解与验证
文章将图信号表示为拉普拉斯矩阵特征向量的线性组合，特征值越大对应特征向量越振荡（高频），反之越平滑（低频）。节点特征在高频分量上的投影越大，则高频成分越多。实验验证：不断添加频率分量重构特征，当添加比例超过一定阈值时，节点分类效果开始下降，说明有效信息主要集中在低频部分。
Q&A
图卷积神经网络是怎么处理节点邻居数量不固定的问题的？
图卷积网络利用邻接矩阵，将每个节点的信息都输入，对于不连接的节点，将其信息置为0，从而统一处理不同数量的邻居。
图卷积中如何利用拉普拉斯矩阵进行卷积操作？
首先通过图的邻接矩阵获得拉普拉斯矩阵，然后对拉普拉斯矩阵进行分解，得到特征向量作为正交基，即傅立叶变换的基。利用这些正交基进行傅立叶变换，将卷积核与图信号变换后的结果相乘，再求逆变换，得到两个函数的卷积。
为什么GNN倾向于提取低频特征，这对异常检测有什么影响？
GNN在传播过程中会平滑节点之间的特征，使得正常节点的特征趋于平缓（低频），而异常节点的特征较为陡峭（高频）。这种平滑作用会削弱异常节点的高频信息表达，导致异常检测效果下降。
如何改进GNN以更好地检测异常节点？
提出使用不同频次的滤波器来抽取特征，再通过attention机制进行信息融合，从而更好地表达异常节点的特征，显著提升异常检测效果，达到新的SOTA。
图卷积中为什么要用切比雪夫近似？
因为直接对拉普拉斯矩阵进行特征分解复杂度太高，用特征值的多项式代替卷积核，可以避免矩阵分解，降低计算复杂度。切比雪夫近似是其中一种有效的多项式近似方法。
图上信号的高频和低频特征分别代表什么？
图上信号可以表示为拉普拉斯矩阵特征向量的线性组合。特征值越大，对应的特征向量越振荡，代表高频特征；特征值越小，特征向量越平滑，代表低频特征。信号在高频特征向量上的分量越大，则高频特征越明显。
