Page 403 - 《软件学报》2025年第5期
P. 403

王晨旭 等: 基于半监督和自监督图表示学习的恶意节点检测                                                    2303


                 相似度与标签相似度都较高, 所以更需要标签信息来用于区分不同类型的节点.
                              +
                    观察  CAMD \ Ba 发现, 去除不平衡损失函数后各数据集的            AUC  分数都有所下降, 这意味着使用不平衡损失函
                                l
                                                                                               +
                 数对于恶意检测任务有所帮助, 相对来说             Tencent-Weibo  受不平衡问题影响较大. 此外, 观察       CAMD \ Bal-C 发现,
                                                                                                   L
                                                                 +
                 在  Amazon  和  YelpChi 数据集上的  AUC  分数下降相对   CAMD \ Ba 较多, 这说明基于类平均的不平衡对比损失在
                                                                    l
                 这两个数据集上相对更有效, 而在          Wiki、Tencent-Weibo、T-finance 数据集上, 两种损失函数配合的情况下效果最优.

                 5.6   类别感知注意力系数分析
                    本文的   CAMD  方法中提出为图中的节点对进行一致性度量, 并以此得到类别感知的注意力系数来指导邻域
                 信息的聚合过程. 本节将对此机制的有效性进行进一步分析, 将每个数据集中的注意力系数在一致边                                (两端是标签
                 相同的节点) 和不一致边       (两端是标签不同的节点) 上的分布可视化, 如图             5  所示.


                           1.0                                   1.0
                           0.8                                   0.8
                          注意力系数  0.6                            注意力系数  0.6


                           0.4
                                                                 0.4
                           0.2                                   0.2

                            0                                     0
                                   一致边          不一致边                    一致边           不一致边
                                  (a) Amazon 注意力分布可视化                    (b) Weibo 注意力分布可视化
                           1.0                                   1.0

                           0.8                                   0.8
                          注意力系数  0.6                            注意力系数  0.6

                                                                 0.4
                           0.4
                           0.2                                   0.2
                            0                                     0
                                   一致边          不一致边                    一致边           不一致边
                                   (c) Wiki 注意力分布可视化                    (d) YelpChi 注意力分布可视化

                                               1.0

                                               0.8
                                              注意力系数  0.6

                                               0.4
                                               0.2

                                                0
                                                      一致边          不一致边
                                                     (e) T-finance 注意力分布可视化
                                                 图 5 注意力系数分布可视化
   398   399   400   401   402   403   404   405   406   407   408