传统GNN在异常检测中表现不佳的原因在于拓扑结构和属性的冲突。因此，使用两个网络分别从拓扑和属性两个视角学习节点的表征，最后利用注意力机制来融合两者、使用互信息来约束两者，最终得到异配图节点表征学习网络网络：DIGNN。Disentangled Information GNN.
传统的MP-GNNs 强调同配性（邻居接节点的label或者特征相似），限制了在消息传递框架下GNN的对异配图的表达能力。
此外，过去的工作指出，大部分GNN模型可以视作低通滤波器。而异配节点为了躲避检测，会频繁的同正常节点交流，导致欺诈节点的特征和行为模式（拓扑）不一致，局部异配性强，导致欺诈节点可以较为轻松的躲避MP-GNNs的检测。
相关的尝试解决异配性的工作：GraphConsis、PC-GNN、Care-GNN它们使用了一些方法来选择或者重链接相似的节点，在筛选中排出异配节点的过程中丢失了一些重要的信息。
最小化不同view的embedding的互信息，降低不同view之间信息的冗余，从而解决不同view之间的干扰。
最大化$Z_i$和$X_i$之间的互信息，每个view的embedding尽可能的保留原输入的信息，减少第二点中对view间共享信息的损害。 $min\ I(\mathbf{Z_1, Z_2})-\sum_{i=1}^{2}I(\mathbf{Z_i, X_i})$
变分推理的方法求原优化目标的上下限，得到近似的优化目标，解决互信息计算的难题。