论文链接：
代码链接：
本文认为，对于图上的异常检测，直接采用大多数 GNN 无法取得最优的效果，原因如下：1）GNN 的低通特性与包含异常的网络本质上是不一致的。GNN 通过过滤掉高频信号来平滑正常节点和异常节点之间的差异。这就导致 GNN 学习到的异常节点表示无法区分，从而不可避免地导致图异常检测问题的性能不佳；2）大多数 GNN 是对网络的所有节点采用具有全局滤波特性的方法，然而，异常节点和正常节点可能会分别利用不同频段的信号，对正常/异常节点利用不同频率信息缺乏自适应性，从而导致模型难以区分异常节点与正常节点。
为了解决上述问题，本文提出了一种用于图异常检测的自适应多频滤波图神经网络 (AMNet)，其核心思想是自适应融合低频信息和高频信息，学习节点嵌入以识别异常节点。更具体地说，AMNet 不是使用全局低通滤波器，而是开发了一种新的可学习的多频滤波器组，可以同时有效地捕获低频和高频的图形信号。然后，滤波器组的输出信号传递多个频率的信息。
