Page 58 - 《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 1499

其中, f proj : R |n|×d x → R |n|×d y 是投影函数, τ 是温度参数. 进一步推导后, L D3 的详细展开形式如下:

( )
f proj (Z s )·[E n ;E e ]
L D3 (Z s ,E n ,E e ) = exp (18)
|f proj (Z s )|·|[E n ;E e ]|·τ
弱互信息损失旨在通过捕捉特征表示 Z f 与结构表示 之间的弱相关性, 增强特征编码器和结构编码器之间
Z s
的一致性, 其定义如下:

i
i
1 N ∑ exp(sim(Z ,Z )/τ)
s
f
L weak = − log (19)
N N ∑
i=1 i j
exp(sim(Z ,Z )/τ)
f
s
j=1
其中, 相似度函数定义如下:

j
i
f proj (Z )·f proj (Z s )
i
j
sim(Z ,Z ) = f (20)
f s i j
|f proj (Z )|·|f proj (Z s )|
f
模型的整体损失函数结合了特征重构损失、强互信息重构损失以及弱互信息损失, 具体定义如下:

(21)
L total = λ 1 L f +λ 2 L strong +λ 3 L weak
其中, λ 1 、 λ 2 和 为超参数, 用于平衡各损失项的权重. 在本研究中, L weak 是一种基于 InfoNCE 的相似性对齐损
λ 3
失, 用于度量由特征编码器生成的节点表示 Z f 与由结构编码器生成的节点表示 Z s 之间的一致性. 与结构内的强互
L strong 不同, L weak 主要用于跨特征域与结构域的对齐. 在动态不完整图场景下, 通过对不同掩码视图的对
信息损失
齐, L weak 能有效减少由图不完整性引起的表征变化. 例如, 在反洗钱场景下, 一个节点的部分银行卡特征缺失时,
结构编码器仍可通过邻居关系捕捉该节点与异常行为的潜在联系, L weak 则帮助两者共享信息, 提升检测鲁棒性.
由于直接估计互信息较为困难, 本文将互信息最大化作为建模目标, 并采用 InfoNCE [51] 作为互信息下界的估计方
法. 这种设计不同于通常在同一表征空间内进行对比学习的传统方法, 而是针对跨表征空间构建一致性约束, 以提
升模型在异常检测任务中的鲁棒性.
通过优化 L total , EXDIG 框架能够从动态不完整图数据中学习鲁棒且准确的节点和结构表示, 从而提升分类和
异常检测等下游任务的性能.
3.3 可解释性讨论
为了揭示 EXDIG 框架的决策过程, 我们设计了一个可解释性模块, 用于评估缺失特征、边和节点对异常检测
的影响.
按照前述方法, 通过扰动原始图 G 的特定特征、边和节点, 生成掩码图 ˆ G i . 对于每个掩码图, 我们计算对应的
异常分数 ˆ y i , 并测量其变化量:

∆ˆy i = ˆy(G)− ˆy( ˆ G i ) (22)
这一变化量反映了被扰动组件对模型预测的影响, 变化幅度越大, 表明相应的特征或结构对模型决策的重要
性越高.
ˆ A i , 局部线性模型定义如下:
特征重要性通过线性回归方法进行评估. 对于每个掩码特征矩阵

T
ˆ y i = w ˆ A i +b i (23)
i
其中, w i 表示特征的重要性权重. 通过最小化重构损失来优化回归模型:

) 2
m ∑(
T
L reg = ˆ y i −w ˆ A i (24)
i
i=1
这一过程能够量化各特征对异常检测决策的贡献, 权重值越大, 表明该特征的重要性越高.
最后, 我们基于异常分数的变化计算节点和边的相对重要性. 对于边, 其重要性通过评估异常分数对邻接矩阵
A 的扰动敏感性得到, 而节点的重要性则由每个节点的特征向量 或嵌入表示 对模型输出的影响来确定. 具
i
Z
X i
s
体的得分计算如下: