近日，我校大数据与计算机科学学院陈家民博士在人工智能与智能系统领域国际TOP期刊《Expert Systems With Applications》（中科院SCI一区，IF=7.5）在线发表题为“Attribute-decoupled graph neural architecture search for discrete point anomaly detection”的研究论文。
离散点异常检测广泛应用于云网络检测、视频监控和时间序列分析等场景。传统点式方法主要依据局部距离、密度或重建误差进行判断，而图式方法通常先把离散点构造成K近邻图，再利用图神经网络学习样本之间的局部结构关系。论文指出，现有固定结构的GNN难以适应不同KNNG的分布差异，而传统GNAS虽然能够搜索网络结构，却普遍忽略了边属性在异常检测中的作用，因此在KNNG场景下仍存在性能瓶颈。
针对上述问题，文章提出属性解耦图神经网络建模范式ADGNN。该范式将边属性聚合与节点属性聚合从同一拓扑中解耦出来，允许中心节点在不同KNNG拓扑上分别完成边与节点信息聚合，再通过独立MLP更新并融合特征。基于这一范式，论文构建了包含PI、PP、EA、NA、DM、ACT和FS七个组件的搜索空间，总规模为2.52×104，并结合Monte Carlo Tree Search（MCTS）与余弦衰减的UCB1策略，高效搜索最优ADGNN结构。
ADGNN建模范式示意图
ADGNAS整体框架与搜索流程
在实验设计上，论文使用HRSS、MI-F、MI-V、SATELLITE和ANNTHYROID五个基准数据集进行验证，分别覆盖工业机器运行数据和经典异常检测点集。结果表明，ADGNAS 在五个数据集上的AUC均优于全部对比方法，相比次优结果分别提升2.93%、5.89%、1.17%、4.73%和4.26%。在多指标评估中，ADGNAS在HRSS、MI-V和ANNTHYROID上也整体取得更优的Accuracy、Recall、F1和Average Precision表现。
多基准数据集上的性能与效率验证
另外，作者在MI-V数据集上进行了30次独立重复试验，ADGNAS的平均AUC为98.09±0.13，高于LUNAR的96.54±0.32，独立样本t检验结果为t=24.21、p=5.55×10-25，说明性能提升具有显著性。效率实验显示，ADGNAS 的搜索效率相较传统GNAS方法也具有明显优势；与此同时，论文通过消融实验和可视化分析进一步验证了“边-节点属性解耦聚合 + 架构自适应搜索”这一核心思想的有效性。
我校陈家民博士为论文第一作者，欧卫华教授为论文通讯作者。该研究得到了贵州省基础研究计划（Qiankehe Jichu MS [2026] 409）、教育部微纳智能制造工程研究中心（WZG‑202506）、中国国家自然科学基金（62262005）、贵州省高层次创新人才项目（GCC[2023]033）、贵州省科学技术厅（QKHC‑G‑DXGA[2025]-ZD002）、以及贵州省教育厅自然科学研究项目（QJJ[2024]009, QJJ[2023]011）的联合资助。
论文全文链接：https://doi.org/10.1016/j.eswa.2026.132348
