Page 56 - 《软件学报》2026年第4期
P. 56
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 1497
3 一种基于强-弱互信息的可解释掩码异常检测模型
3.1 模型概述
如图 2 所示, 底部为掩码后的多种视图, 包括结构动态和特征不完整的掩码增强, 这些增强视图输入到模型
Z n 与掩码边嵌入 ; 右侧为特征编码器部分, 生成特征
后, 在左侧的结构编码器部分生成结构嵌入 Z s , 即节点嵌入 Z e
嵌入 Z f . 我们的 EXDIG 框架不同于传统编码器处理静态且完整的图数据, 而是专为动态不完整图的异常检测任
务设计. 此外, EXDIG 通过掩码机制和强-弱互信息优化, 不仅能够增强模型在缺失数据和动态图环境下的鲁棒性,
还能够提高异常检测的可解释性. 其掩码扰动机制可以识别关键节点、边和特征, 并结合局部线性模型来逼近
GNN 预测, 从而提供更透明、可信的异常检测结果.
D s D f
强互信息 弱互
信息
Z n Z e
结构 Z f 特征
编码器 编码器
F s F f
节点动态 边动态 特征不完整
掩码视图 1,…, n
0.20
0.40
0.35
0.60 0.30
原始图
编码 0.15
自解释
图 2 EXDIG 框架通过处理掩码视图来处理动态不完整图
3.1.1 特征编码器
为了模拟现实世界图异常检测任务中动态不完整性的特征, 我们构造了多个掩码特征视图. 定义: X n ∈ R N×d
表示节点嵌入矩阵, 由预训练图编码器从图 G 提取的节点表示. X e ∈ R E×d 表示边嵌入矩阵, 由另一预训练图编码
N×F i 个
器从图 G 提取的边表示. 掩码矩阵 M ∈ {0,1} 是一个二值矩阵, 用于随机掩蔽节点特征, 其中 M i,j = 0 表示第
节点的第 j 个特征被掩码. 每个掩码特征视图矩阵 通过选择性地移除每个节点的一部分特征生成, 而不是简单
ˆ A i
N×F X 进行逐元素
地将其设为零. 具体地, 我们令 ˆ A i 在实现中表示为二值矩阵 M ∈ {0,1} , 用于对原始节点特征矩阵
(i) (i) ⊙ 表示逐元素乘积. 这样可以确保每
乘积, 生成不同的特征视图. 每个特征视图的节点特征为 X = M ⊙ X, 其中
个视图具有独特的特征缺失模式, 从而模拟由于隐私保护、数据录入错误或其他因素导致的特征缺失. 通过从原
始特征矩阵 A 中移除部分特征, 我们构造了一组掩码特征视图矩阵 ˆ A 1 , ˆ A 2 ,..., ˆ A n , 从而保留了特征不完整性的动态
特性. 这种方法使得特征编码器能够学习对不同程度和不同模式的特征缺失具有鲁棒性的表示.
A ∈ R n×d D ∈ R d×k , 其中 k > d 为字典原子数. 对于每个特征向量 , 稀疏
给定特征矩阵 , 我们初始化一个字典 a i
编码 s i 通过求解以下优化问题获得:
