Page 129 - 《软件学报》2026年第4期

1570 软件学报 2026 年第 37 卷第 4 期

表 3 AUPRC 方面的异常检测性能 (平均值±标准差) (%)(续)

Type Method Cora CiteSeer ACM BlogCatalog Facebook Weibo Reddit Amazon Average
DOMINANT 12.75±0.7 13.85±2.3 15.59±2.6 35.22±0.8 2.95±0.1 81.47±0.2 3.49±0.4 6.11±0.2 21.42±0.9
Unsupervised- CoLA 11.41±3.5 8.33±3.7 7.31±1.4 6.04±0.5 1.90±0.6 7.59±3.2 3.71±0.6 11.06±4.4 7.16±2.2
pre-train only HCM-A 5.78±0.7 4.18±0.7 4.01±0.6 6.89±0.3 2.08±0.6 21.91±11.8 3.18±0.2 5.87±0.0 6.73±1.8
TAM 11.18±0.7 11.55±0.4 23.20±2.3 10.57±1.1 8.40±0.9 16.46±0.1 3.94±0.1 10.75±3.1 12.01±1.1
DOMINANT 21.35±0.7 23.02±1.5 22.74±0.9 35.79±0.6 3.56±0.1 77.69±1.4 3.84±0.7 7.48±0.4 24.43±0.8
Unsupervised-
CoLA 13.91±5.5 19.51±3.7 8.48±0.5 10.43±1.2 15.19±11.7 8.03±1.1 4.07±0.1 7.27±1.1 10.86±3.0
pre-train &
HCM-A 6.41±1.3 4.76±0.5 4.41±0.6 6.62±0.1 2.23±0.7 27.20±5.5 3.10±0.1 5.64±0.1 7.54±1.1
fine-tune
TAM 13.62±0.5 18.66±1.4 58.04±8.1 13.90±0.5 11.11±3.2 16.47±0.0 3.93±0.1 11.56±1.8 18.41±1.9
Few-shot without ARC 47.26±0.9 48.38±0.7 40.14±0.1 34.80±0.1 8.96±1.7 65.46±0.9 4.14±0.2 15.45±4.3 33.07±1.1
fine-tune Ours 49.27±1.1 46.58±1.5 40.47±0.1 36.31±0.1 5.36±1.1 65.21±0.6 4.55±0.1 60.24±4.8 38.49±1.0
注: 加粗为目前最好的实验结果, 下划线为次好的实验结果

同时, 我们在 Amazon 数据集上对残差特征进行了可视化, 如图 4 所示, 其中深色为正常类样本, 浅色为异常
类样本. 可以发现, 全局残差特征可以辅助局部残差特征使得正常和异常类中样本之间的距离更近, 即类内更紧,
类间更开, 其中在异常类的可视化中较为明显, 这也反映了全局残差特征可在一定程度上提升分类的准确性.

80 60
60 40
40
20
20
维度2 0 维度2 0
−20 −20
−40
−60 −40
−75 −50 −25 0 25 50 75 100 −60 −40 −20 0 20 40 60
维度1 维度1
(a) 局部残差特征 (b) 全局残差特征
图 4 可视化展示

4.4 消融实验
本节探究不同组件对所提模型 GRAD 的影响. 具体地, 我们设计了 3 种变体, 分别是: 1) 将残差表示舍弃, 只
使用原本隐表示的变体: 无残差; 2) 将原始图结构舍弃, 只保留全局信息的变体: 无局部. 此变体同时也模拟了图
结构缺失的场景. 在此场景下, 只利用线性 Transformer 编码器对隐关系进行建模; 3) 将全局信息的建模舍弃, 只使
用基于 GNN 的局部信息建模: 无全局. 实验结果展示在表 4 中.

表 4 在 8 个数据集上的消融实验 (%)

变体 Cora CiteSeer ACM BlogCatalog Facebook Weibo Reddit Amazon
原模型 86.89±0.8 91.07±0.5 79.95±0.1 74.26±0.1 65.46±1.8 90.07±0.2 60.01±0.4 84.66±2.9
无残差 61.49±1.3 62.28±2.7 73.00±0.6 73.89±0.3 47.00±2.7 94.36±0.1 46.95±3.7 79.62±5.0
无局部 73.72±0.8 75.85±0.4 74.95±0.2 75.77±0.6 54.17±1.2 90.70±0.5 56.06±3.2 84.59±2.1
无全局 85.60±0.8 89.85±0.6 79.41±0.3 74.10±0.2 66.59±2.0 89.47±0.9 59.49±0.6 72.56±5.1
注: 加粗为目前最好的实验结果, 下划线为次好的实验结果

可以发现, 3 个组件都对模型性能具有一定的贡献. 特别地, 残差信息的影响最大, 这体现了在可泛化的图异
常检测场景下提取数据集无关的特征的必要性. 一个特例是在 Weibo 数据集上的表现是相反的, 潜在的原因是该
数据集的异常模式倾向存在于原始隐表示中, 该现象启发了我们对残差表示自适应学习的探索, 将作为未来的研