La tarea de identificar usuarios anómalos en redes sociales atribuidas requiere la detección de usuarios cuyos atributos de perfil y estructura de red difieren significativamente de los de la mayoría de los perfiles de referencia. Los modelos basados en GNN son adecuados para abordar el desafío de integrar la estructura de red y los atributos de nodo en el proceso de aprendizaje porque pueden incorporar eficientemente datos demográficos, patrones de actividad y otra información relevante. Las operaciones de agregación, como la suma o el promedio, son utilizadas por las Redes Neuronales de Grafos (GNN) para combinar las representaciones de nodos vecinos dentro de un grafo. Sin embargo, estas operaciones de agregación pueden causar problemas en la detección de nodos anómalos. Hay dos problemas principales a considerar al utilizar operaciones de agregación en GNN. En primer lugar, la presencia de nodos vecinos anómalos puede afectar la representación de nodos normales, lo que lleva a falsos positivos. En segundo lugar, los nodos anómalos pueden pasar desapercibidos ya que su representación se aplana durante la operación de agregación, lo que lleva a falsos negativos. El enfoque propuesto, AnomEn, es una red neuronal de grafos robusta desarrollada para la detección de anomalías. Aborda los desafíos de los falsos positivos y falsos negativos utilizando un mecanismo de agregación ponderado. Este mecanismo está diseñado para diferenciar entre las características propias de un nodo y las características de sus vecinos al enfatizar más las características propias de un nodo y menos las características de sus vecinos. El sistema puede preservar las características originales del nodo, ya sea que el nodo sea normal o anómalo. Este trabajo propone no solo una red neuronal de grafos robusta, es decir, AnomEn, sino también estructuras específicas de detección de anomalías para nodos y aristas. El método propuesto AnomEn sirve como el codificador en las arquitecturas de detección de anomalías de nodos y aristas y fue probado en múltiples conjuntos de datos. Se realizaron experimentos para validar la efectividad del método propuesto como codificador de red neuronal de grafos. Los hallazgos demostraron la robustez del método propuesto en la detección de anomalías. El método propuesto supera a otros métodos existentes en tareas de detección de anomalías de nodos en un 5.63% y en tareas de detección de anomalías de aristas en un 7.87%.