Page 54 - 《软件学报》2026年第4期

骆祥峰 等: 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 1495

1.2 不完整图学习
不完整图学习通过从不完整数据中学习鲁棒的图表示来应对现实应用中的数据缺失问题. 部分图神经网络能
够有效处理缺失的节点特征和边, 即使数据存在不完整性, 仍能表现出较高的性能, 但在高度动态图环境下可能面
临困难 [35] . 另一种方法是引入噪声容忍机制, 以增强对噪声和缺失信息的鲁棒性, 然而, 依赖噪声估计可能导致在
噪声水平不可预测的情况下表现欠佳 [36] .
基于共识的多视角聚类方法利用共识学习来提高聚类准确性, 但在动态图的时序变化方面可能存在不足 [37,38] .
相关研究强调跨多视角整合信息的重要性, 但许多方法在特征严重缺失的情况下仍显不足 [39] . 针对不完整多视角
数据的创新聚类技术, 如低秩张量图学习和自补全策略, 提供了高效的解决方案, 但在大规模数据集上的可扩展性
可能受到限制 [40,41] . 非负表示学习通过基于图的方法来重构缺失信息, 在许多场景下表现良好, 但可能难以处理高
度稀疏的数据集 [42] . 总体而言, 尽管不完整图学习取得了一定进展, 但在处理动态和高度不完整的图数据方面仍
然存在挑战, 凸显了对更鲁棒和自适应模型的需求. 针对不完整图的异常检测, 现有研究相对较少, 且多集中于静
态场景. 总体而言, 针对动态不完整图的异常检测尚缺乏系统性研究. 本文提出的 EXDIG 模型正是面向动态不完
整图, 通过多掩码视图与强-弱互信息机制, 试图解决此类问题.
1.3 图学习的可解释性
在图神经网络 (GNN) 中, 可解释性对于异常检测等应用至关重要, 因为理解模型决策的依据是关键. 然而, 图
神经网络常被批评为黑箱模型, 尤其是在动态和不完整图环境下. 常见的方法如注意力机制能够突出对决策重要
的邻居 [20] , 但它们依赖于稳定数据, 在动态图环境下表现不佳. 同样, 特征归因方法 (例如 LIME) 用于识别关键特
征 [21] , 但在处理噪声或缺失数据时存在困难.
为了解决这一问题, 局部可解释性方法通过使用决策树等更简单、可解释的模型来逼近图神经网络预测 [43] .
这些方法能够提供对局部邻域动态的洞察, 但通常难以捕捉更广泛的图结构背景, 特别是在不完整或不断变化的
图中. 一些技术进一步扩展了这一方法, 利用替代模型或特征重要性排序来解释节点行为 [44,45] . 然而, 在高度动态
或稀疏的图数据中, 这些方法仍然面临挑战, 因为不断变化的图结构和缺失特征会阻碍其准确性. 近期研究尝试结
合全局和局部可解释性方法, 以提高其鲁棒性, 但在现实应用中仍然受到数据不完整性和噪声的限制 [46] . 尽管在
可解释性方面取得了一定进展, 但在动态不完整图 (DIG) 中, 可解释性仍然是一个重大挑战, 这突显了对能够有效
应对这些复杂性的更鲁棒技术的需求.

2 基础知识

本文所提方法主要基于变分自编码器和最大均值差异, 下面就相关概念和基本知识予以介绍.
2.1 动态不完整图 (DIG) 学习
在许多现实世界的应用场景中, 由于隐私限制、数据录入错误或动态变化, 图数据通常是不完整的. 这种不完
整性通常表现为两种形式: 结构不完整性 (缺失节点或边) 和特征不完整性 (缺失节点特征).
形式化表示为, 设 G = (X,A,E) 表示一个图, 其中 X ∈ R n×d 是节点特征矩阵, 包含 n 个节点和 d 个特征, A ∈ R n×n
ˆ E
ˆ X
是邻接矩阵, E 是边的集合. 对于不完整图, 特征矩阵和边集分别表示为 和 . 动态不完整图学习的目标是开发
能够在不完整图数据上进行鲁棒学习的模型, 生成准确的表示, 以用于分类和异常检测等下游任务.
然而, 信息缺失会破坏图神经网络 (GNN) 中的基本消息传递机制. 在标准 GNN 结构中, 节点表示通过邻域聚
合迭代更新:

( )
(l)
(l)
H = σ W ˜ AH (l−1) (1)
(l)
其中, H 表示第 l 层的节点嵌入, W 是可训练的变换矩阵, σ 是激活函数, ˜ A 是归一化后的邻接矩阵. 在边缺失
(l)
的情况下, 聚合结构被改变, 导致信息传递不完整, 从而降低关系建模的有效性.
对于特征不完整性, 观测到的特征矩阵 ˆ X 可以用二进制掩码矩阵 n×d 来表示缺失值:
M ∈ {0,1}