Page 53 - 《软件学报》2026年第4期

1494 软件学报 2026 年第 37 卷第 4 期

测结果的合理性变得更加困难.
本文提出了一种可解释的动态不完整图异常检测 (explainable dynamic incomplete graph anomaly detection,
EXDIG) 方法, 该方法通过掩码数据增强和互信息优化来处理动态不完整图. 我们通过对节点、边和特征进行掩
码来模拟动态不完整图场景, 以提高模型的鲁棒性和泛化能力. 稀疏字典学习方法通过将数据表示为已知特征的
线性组合, 从而有效恢复缺失特征. 对于动态图结构, 使用两个预训练模型分别对节点和边进行编码, 并采用强互
信息 (strong mutual information, SMI) 损失来最大化二者之间的互信息, 从而确保结构完整性. 弱互信息 (weak
mutual information, WMI) 损失用于捕捉局部关系, 平衡全局和局部特征, 从而降低过拟合并提高泛化能力. 此外,
EXDIG 通过在训练过程中对节点、边和特征施加掩码扰动, 提高了动态不完整图异常检测的可解释性. 这些扰动
有助于识别关键组成部分, 并训练局部线性模型来逼近 GNN 预测结果, 最终增强模型的可解释性, 使其能够提供
更透明、可信的异常检测解释. 这些技术使 EXDIG 在无标签、动态图和不完整图环境下能够更好地检测异常. 因
此, 本文主要贡献如下.
(1) 针对动态不完整图异常检测问题进行研究. 我们提出的模型确保 GNN 在极端条件下 (如动态图结构和缺
失特征) 仍然能够保持有效性, 而不受标签可用性的影响.
(2) 提出一种基于强-弱互信息 (SWMI) 的优化机制, 其中强互信息损失用于最大化全局结构信息, 而弱互信息
损失用于捕捉局部关系, 使图神经网络能够在不完整图数据上进行高效表示学习.
(3) 引入一种新的动态不完整图异常检测可解释性机制, 通过在节点、边和特征上施加掩码扰动, 使得局部线
性模型能够逼近图神经网络预测, 从而提供更透明、可信的异常检测解释.
(4) 进行大规模实验评估, 包括有标签和无标签场景. 实验结果表明, 所提方法在动态不完整图场景下展现出
更强的鲁棒性和抗噪能力, 并能显著提升异常检测精度.

1 相关工作

1.1 图异常检测
图异常检测在图神经网络 (GNN) 的推动下取得了显著进展, 图神经网络能够有效捕捉复杂的图结构. 利用图
神经网络的方法, 如卷积模型和扩散模型, 通过建模局部邻域信息, 在异常检测任务中取得成功. 例如, DOMINANT [24]
[25]
提出基于自监督学习的动态图异常检测, 通过重构误差识别异常节点; CoLA 基于对比自监督学习, 提升全局与
局部异常检测能力. 这些方法通常假设图结构较为完整, 依赖邻居聚合以捕捉潜在的异常模式. 此外, 扩散过程也
被探索用于图异常检测, 例如 GRAND [26] 通过随机扩散增强 GNN 表达能力. 然而, 在不完整图中, 扩散机制可能因
缺失节点或边而传播不准确的信息, 导致潜在表示偏离真实结构, 降低对异常的检测敏感度. 然而, 这些方法往往
难以应对动态和不完整的图数据, 而这正是现实世界中常见的情况. 例如, 基于局部信息的方法可能无法处理缺失
的节点特征和边, 而扩散技术可能会引入噪声, 导致学习任务受误导 [1,27,28] .
一些研究结合反事实推理和多尺度动态学习来增强异常检测能力, 这些方法能够捕捉时序模式, 但通常假设
特征数据是完整的, 难以有效处理结构的不完整性 [29,30] . 此外, 针对层次结构建模的双曲神经网络方法也被提出,
但它们往往忽略了特征的不完整性 [31] . 尽管这些方法取得了一定进展, 但在处理不完整和动态图数据方面仍然存
在显著的挑战. 传统的图神经网络以及近年来基于图神经网络的方法通常假设图数据是理想且完全可观测的, 而
在实际应用中, 由于隐私保护、数据错误以及动态变化等因素, 这一假设往往并不成立. 因此, 开发能够从不完整
数据和动态数据中学习的鲁棒模型, 对于在现实条件下实现准确的异常检测至关重要 [32−34] .
另一类相关工作是掩码自编码器方法, 如 GraphMAE [23] 通过随机掩码节点或边的特征, 利用自编码器重建缺
失部分, 以增强图表示学习. 这类方法通常聚焦于静态且完整的图环境, 旨在提升特征或结构的重建精度. 然而, 它
们并未专门设计用于动态不完整图场景, 尤其缺乏对特征-结构一致性问题的建模. 相比之下, 本文不仅采用多掩
码视图机制来模拟不同缺失模式, 还引入了强-弱互信息机制, 从特征与结构两个层面共同增强异常检测能力, 构
成了与现有掩码自编码器方法的核心差异.