基于解耦表征学习的联邦图异常检测

基于摘要分析。本文研究分布在不同客户端的图数据因跨子图连接缺失而难以充分聚合邻居信息的问题，提出基于解耦表征学习的联邦图异常检测方法；原始应用对象是欺诈检测、作者身份欺诈及谣言传播等图节点异常任务，而非 EEG 或 BCI。 方法将节点特征分为内在特征与子图风格特征，通过识别子图风格特征中的离群项生成并共享伪节点，用于模拟孤立子图之间的连接，支持更完整的邻居内在特征聚合。同时结合条件变分自编码器（CVAE）与对比学习，缓解类别不平衡并促进特征解耦。摘要未给出具体损失形式、伪节点生成与筛选规则、客户端划分及通信流程。 作者报告，在六个数据集上的实验支持该方法在联邦图异常检测中的性能优势，并称其能够在维护数据隐私的同时处理不完整图结构；但摘要未提供数据集名称、划分协议、对照方法、指标或数值。实验协议、消融及统计信息尚未验证，共享伪节点的隐私风险与隐私保障机制也需核对全文。 平台推测（待验证）：若 EEG 任务具有明确的图结构与节点异常监督或评估定义，可考察“内在特征—客户端风格”解耦是否有助于处理客户端差异。但其原机制依赖图分区及缺失的跨子图连接，不能直接等同于跨被试 EEG 差异；节点定义、图构建和异常目标均需重新设计，低信噪比、通道差异及小数据还可能使风格离群项混入真实神经活动。可先在具有已知完整图的 EEG 图任务中模拟分区断边，在固定划分与评价协议下比较无伪节点、共享伪节点和完整图参照，检验连接补偿是否有效。已有 EEG 相关工作尚未检索确认。