Page 59 - 《软件学报》2026年第4期

1500 软件学报 2026 年第 37 卷第 4 期

∂ˆy
∂ˆy (25)
edge_score ij = , node_score i =
∂A i j ∂X i
这些得分揭示了哪些组件对异常检测决策具有最显著的影响.
4 实验分析
在本节中, 我们对所提出的方法 (EXDIG) 在不同的动态不完整图 (DIG) 场景下进行了广泛的实验评估. 本实
验旨在解答以下研究问题.
RQ1: 在动态不完整图环境下, 我们的方法能否有效发挥作用?
RQ2: 我们的方法在不同程度的动态不完整图场景下是否仍然保持良好性能?
RQ3: 关键的设计选择和超参数对我们方法的性能有何影响?
RQ4: 我们的方法是否能够在动态不完整环境下直观地增强表示能力?
RQ5: 在动态不完整图场景中, 我们的方法是否能够保持可解释性, 并且在图结构不完整和动态变化的情况
下, 能否有效解释模型的决策?
4.1 实验设置
● 数据集
我们在 9 个公开的真实世界图数据集上评估所提出的方法, 包括 Cora、CiteSeer、Amazon Photo、Amazon
Computers、CoAuthor CS、CoAuthor Physics、EllipticBitcoin、YelpChi 和 DGraphFin. 其中, Amazon Photo、Amazon
Computers、EllipticBitcoin、YelpChi 和 DGraphFin 是与异常检测及其子领域相关的数据集, 用于验证我们方法在
这些场景下的有效性. 由于 DGraphFin 具有较大的数据规模, 因此仅用于验证 RQ4. 数据集的详细信息见表 1.

表 1 实验数据集

名称 本文简称 节点 边 特征 类别
Amazon Computers Computers 13 752 491 722 767 10
Amazon Photo Photo 7 650 238 162 745 8
CoAuthor CS CS 18 333 163 788 6 805 15
CoAuthor Physics Physics 34 493 495 924 8 415 5
Cora Cora 2 708 10 556 1 433 7
CiteSeer CiteSeer 3 327 9 104 3 703 6
EllipticBitcoin Bitcoin 203 769 234 355 165 2
YelpChi Yelp 45 954 3 846 979 32 2
DGraphFin DGraphFin 3 700 550 4 300 999 17 2

● 动态不完整图场景实现
在本研究中, 我们通过对图数据施加随机扰动并限制训练节点数量, 模拟各种动态不完整图 (DIG) 场景. 具体
而言, 我们随机删除原始图结构中 x% 的边和 y% 的节点, 以实现动态结构的不完整性. 与其他处理不完整图的任
务不同, 为了更贴近现实世界中动态不完整异常图的特性, 我们不使用零填充缺失特征, 而是直接从特征矩阵中移
除 z% 的元素. 这种方法更符合异常检测任务的实际情况, 即用户或实体在所有维度上通常无法获得完全对齐的
数据, 缺失的数据字段在物理上表示消失, 而不仅是数值上的零填充. 因此, 从原始图中分别移除 x% 的边、y% 的
节点和 z% 的特征后, 得到一个动态不完整的异常图. 我们将动态不完整比率 (dynamic incomplete graph ratio, DIG
ratio) 定义为图中缺失组件 (边、节点和特征) 所占的比例, 以更准确地反映现实场景.
● 实验细节
所有实验均基于 PyTorch [52] 和 PyG (PyTorch geometric) [53] 进行实现. 我们在 5 次实验中报告了测试集上的平
均准确率及标准差. 对于本文方法, 我们在验证集上执行网格搜索 (grid search) 以选择最优超参数. 由于图中的每
个节点都经历了特征级不完整性掩码和全局结构级不完整性掩码, 无法使用基于节点级的小批量训练 (如 PyG 中
的 NeighborSampler 或 ClusterLoader). 因此, 对于一些较大的数据集, 如 Bitcoin、DGraphFin、CS 和 Physics, 随机