Page 51 - 《软件学报》2026年第4期

软件学报 ISSN 1000-9825, CODEN RUXUEW E-mail: jos@iscas.ac.cn
2026,37(4):1492−1510 [doi: 10.13328/j.cnki.jos.007523] [CSTR: 32375.14.jos.007523] http://www.jos.org.cn
©中国科学院软件研究所版权所有. Tel: +86-10-62562563

*
基于强-弱互信息掩码学习的可解释动态不完整图异常检测

骆祥峰, 顾峻铨, 余 航

(上海大学 计算机工程与科学学院, 上海 200444)
通信作者: 余航, E-mail: yuhang@shu.edu.cn

摘 要: 大多数图异常检测方法依赖图神经网络 (GNN) 在相对高质量的图数据上进行学习. 然而, 在现实应用中,
这种理想场景极为罕见, 大多数数据存在标签缺失、动态变化和结构不完整等问题, 这些问题统称为动态不完整
图. 针对 GNN 在极端条件下性能下降的挑战, 提出一种可解释的动态不完整图异常检测方法 EXDIG (explainable
dynamic incomplete graph anomaly detection), 其核心是一种结合强-弱互信息优化的图掩码自编码器框架. 该框架
通过对图结构 (节点/边) 和节点特征进行掩码, 模拟现实中的动态不完整场景. 此外, 通过强-弱互信息损失,
EXDIG 捕捉结构与特征之间的关系, 同时保持结构完整性, 降低过拟合风险, 并提升泛化能力. 此外, 该方法通过
在节点、边及特征上引入掩码扰动, 提高动态不完整图异常检测的可解释性, 使其能够识别关键组成部分, 并为异
常检测结果提供透明且可信的解释. 在 9 个真实世界图数据集上进行评估, 实验结果表明, EXDIG 在不同程度的
动态不完整场景下, 在多种下游任务和表示学习评估 (包括有监督和无监督设定) 中均优于现有最先进方法. 其中,
在异常检测数据集 Amazon 上, EXDIG 的 NMI 和 ARI 指标分别提升了超过 13% 和 15%; 在动态不完整比率从
25% 到 99% 的设置下, 其 F1 分数波动被控制在 5% 以内. 此外, EXDIG 还实现了在动态不完整图中对各节点的可
解释性分析.
关键词: 可解释的图学习; 掩码自编码器; 互信息; 图异常检测
中图法分类号: TP18

中文引用格式: 骆祥峰, 顾峻铨, 余航. 基于强-弱互信息掩码学习的可解释动态不完整图异常检测. 软件学报, 2026, 37(4): 1492–1510.
http://www.jos.org.cn/1000-9825/7523.htm
英文引用格式: Luo XF, Gu JQ, Yu H. Explainable Dynamic Incomplete Graph Anomaly Detection Based on Masked Learning with
Strong-weak Mutual Information. Ruan Jian Xue Bao/Journal of Software, 2026, 37(4): 1492–1510 (in Chinese). http://www.jos.org.cn/
1000-9825/7523.htm

Explainable Dynamic Incomplete Graph Anomaly Detection Based on Masked Learning with
Strong-weak Mutual Information
LUO Xiang-Feng, GU Jun-Quan, YU Hang
(School of Computer Engineering and Science, Shanghai University, Shanghai 200444, China)
Abstract: Most graph anomaly detection methods leverage graph neural network (GNN) to learn from relatively high-quality graph data.
Unfortunately, such ideal scenarios are rare in real-world applications, where most data suffer from issues such as missing labels, dynamic
changes, and structural incompleteness, collectively referred to as dynamic incomplete graph (DIG). To address the challenge of
performance degradation of GNN under extreme conditions, this study proposes an explainable dynamic incomplete graph anomaly
detection (EXDIG) method. The core is a graph masked autoencoder framework optimized with strong-weak mutual information. This
framework simulates real-world DIG scenarios by masking graph structures (nodes/edges) and node features. In addition, through the

* 基金项目: 国家自然科学基金 (62302287)
本文由“高可信自适应机器学习”专题特约编辑王熙照教授、张敏灵教授、曹付元教授推荐.
收稿时间: 2025-04-16; 修改时间: 2025-06-30, 2025-08-15; 采用时间: 2025-08-20; jos 在线出版时间: 2025-09-02
CNKI 网络首发时间: 2026-01-02