近日，贵州师范大学大数据与计算机科学学院欧卫华教授团队下的DeepGraph课题组在人工智能离散点异常检测领域取得重要研究进展，相关成果以《Attribute-decoupled graph neural architecture search for discrete point anomaly detection》为题，发表于国际权威期刊《Expert Systems With Applications》(IF=7.5)。该期刊为工程技术领域中科院一区 TOP 期刊，是人工智能与专家系统领域的国际顶刊。

离散点异常检测是人工智能领域的核心研究方向，广泛应用于云计算网络检测、工业设备故障诊断、监控视频异常识别等现实场景。传统图学习方法普遍存在固定网络架构泛化能力不足、边属性信息系统性忽略、不同数据分布适配性差等技术瓶颈，严重制约了异常检测性能的提升。

针对上述行业难题，团队创新性提出属性解耦的图神经网络架构搜索方法 ADGNAS，构建了全新的属性解耦图神经网络建模范式，首次实现边与节点属性在不同K近邻图拓扑下的解耦聚合，同时设计了适配的蒙特卡洛树搜索算法，可根据数据分布差异自适应构建最优网络模型。多组基准实验显示，该方法在检测性能上全面超越现有主流算法，搜索效率较传统自适应图学习方法最高提升50倍。

该成果为离散点异常检测提供了全新技术路径，在工业互联网、网络安全等领域具有广阔应用前景。论文第一作者为DeepGraph课题组负责人陈家民，欧卫华教授为唯一通讯作者。本研究得到贵州省基础研究计划(编号:黔科合基础- MS[2026]409)、教育部微纳与智能制造工程研究中心(编号：WZG-202506)、国家自然科学基金(编号:62262005)、贵州省高层次创新型人才项目(编号：GCC[2023]033)、贵州省科学技术厅项目(黔科合成果-定向攻关[2025]-重点002)、贵州省教育厅自然科学研究项目(编号：黔教基[2024]009、黔教基[2023]011）资助。

论文代码:https://github.com/AutoMachine0/ADGNAS

论文链接:https://www.sciencedirect.com/science/article/abs/pii/S0957417426012613

一审（校）：邵云

二审（校）：庄渊竹

三审（校）：欧卫华