تُعتبر عملية اكتشاف الشذوذ في الرسوم البيانية (Graph Anomaly Detection - GAD) حجر الزاوية في فهم الأنماط غير الطبيعية داخل البيانات الهيكلية. تعود أهمية هذا المجال إلى تطبيقاته الواسعة، التي تشمل السيطرة على المخاطر المالية، وتحليل الشبكات الاجتماعية، وتعزيز الأمن السيبراني.

لكن مع الأساليب المتاحة حالياً المعتمدة على الشبكات العصبية التلافيفية (Graph Convolutional Networks - GCN)، يظهر تحدٍ رئيسي يتمثل في انتشار التلوث من العقد الشاذة، حيث تؤثر على تمثيلات العقد المجاورة، مما يؤدي إلى انخفاض كفاءة أداء الكشف عن الشذوذ.

في هذا البحث، نقدم الإطار الجديد DDGAD، الذي يستند إلى الاستجابة الدينامية التضخيمية لتحديد الفرق بين العقد الطبيعية والشاذة. وكشف البحث أن العقد الطبيعية تتمتع بمسارات تمثيل ثابتة ومتسقة، بينما تُظهر العقد الشاذة عدم استقرار وتضارب في الديناميات. هذه الاستنتاجات تنبع من تأثيرات التضخيم المترافق مع الإجماع المعتمد على الموثوقية.

للتغلب على مشكلة انتشار التلوث، تم تقديم آلية جديدة للتوافق المعتمد على الموثوقية، مع تعريف ثلاثة إشارات موازية للشذوذ: عدم التناسق بين الجيران، وزنه الموثوقية، وطاقة الدوامة الناتجة عن الصراع الدينامي.

توفر الدراسة تحليلاً نظرياً أولياً لاستقرار العقد الطبيعية تحت الديناميات المصاحبة، حيث تسلط الضوء على أهمية الإشارات الموصوفة في تقييم السلوكيات الشاذة من حيث عدم التناسق المحلي، والموثوقية التوافقية، وعدم الاستقرار الدينامي.

تظهر تجارب شاملة على خمس مجموعات بيانات حقيقية فعالية الإطار المقترح، مما يمثل خطوة جديدة نحو تحسين آليات اكتشاف الشذوذ وتحقيق نتائج أفضل في التطبيقات الحيوية.