Page 60 - 《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 1501

采样部分数据构造子图进行实验. 所有实验均在配备 NVIDIA GeForce RTX 4080 的设备上运行.
4.2 性能比较 (RQ1)
针对 RQ1, 我们通过移除 75% 的节点、边和特征 (动态不完整比率 75%) 构造异常图, 以模拟现实动态不完
整场景中的常见情况, 即中等程度的动态不完整. 在该场景下比较了 EXDIG 和无弱互信息损失版本 (EXDIG-
SMI) 与 11 种基线方法的性能, 实验结果如表 2 所示, 后续表格中加粗数据为最优结果. 具体而言, 对于所有对比
方法, 我们将节点/边/特征的动态补全比率设为 0.5, 神经网络的隐藏层维度设为 64 维, 输出层维度设为 512 维, 学
习率统一设置为 0.001, 并对每种方法训练 300 轮. 我们的观察结果如下.

表 2 EXDIG 与现有方法的 NMI 指标性能比较 (%)

Anomaly detection General
Method
Computers Photo Bitcoin Cora CiteSeer CS
GCN 18.90±4.43 30.07±4.42 0.01±0.00 50.67±2.24 8.22±0.61 5.75±0.80
GraphSAGE 2.89±1.11 4.45±0.89 0.01±0.01 2.90±1.06 2.03±0.73 3.13±0.78
GAT 36.27±2.66 50.48±4.15 6.55±2.80 16.64±1.19 5.68±1.68 5.89±0.44
GAE 8.23±2.14 11.83±2.80 2.21±1.94 1.99±0.43 4.13±0.46 2.66±0.33
VGAE-non-neg 24.36±4.01 34.70±2.54 0.01±0.00 21.15±2.62 10.87±1.49 6.59±0.72
VGAE-rand-neg 26.31±4.59 31.99±4.49 0.01±0.01 21.71±3.26 11.20±2.69 6.72±0.50
GPS 14.36±4.19 18.12±3.70 0.03±0.04 14.36±4.19 27.57±4.26 59.24±3.39
ADGN 15.07±4.32 24.92±4.52 9.32±0.36 16.08±4.98 24.60±2.89 60.48±1.64
EGC 6.72±2.04 6.43±2.98 0.04±0.02 6.72±2.04 3.21±0.80 3.29±0.45
GIN 8.84±0.68 7.86±1.54 0.03±0.04 0.76±0.01 1.79±0.02 1.32±0.12
GREET 18.04±1.21 19.09±0.21 0.04±0.01 9.69±0.19 11.32±0.07 19.90±0.19
EXDIG-SMI 49.47±1.20 62.55±4.04 8.25±0.33 51.32±2.76 33.40±2.54 60.02±0.52
EXDIG 47.07±1.56 64.94±2.02 9.89±0.41 55.65±2.45 35.28±3.29 62.08±1.44

● NMI
表 2 中的 NMI 结果显示, EXDIG 在多个数据集上的表现优越, 尤其在异常检测任务中展现了卓越的性能. 在
Photo (64.94%±2.02%) 和 CiteSeer (35.28%±3.29%) 数据集上 EXDIG 取得了最高的 NMI 得分, 表明其在保持图结
构和检测异常方面具有强大的能力. 然而, 在 Bitcoin (9.89%±0.41%) 和 Computers (47.07%±1.56%) 数据集上的表
现虽具竞争力, 但相较之下不够突出, 表明该方法可能在结构更复杂或多样性更强的数据集上更具优势. 结果表
明, 尽管 EXDIG 在小型、结构化数据集上表现出色, 但在处理较为简单或噪声较大的数据时, 其优势可能有所降低.
● ARI
表 3 中的 ARI 结果进一步验证了 EXDIG 在一般任务类别中的稳健性. 在 Photo (52.18%±2.81%) 和 CiteSeer
(34.51%±3.80%) 数据集中, EXDIG 取得了最高的 ARI 得分, 表明即使在动态不完整的环境下, 该方法依然能够高
效聚类节点. 在异常检测任务中, EXDIG 在 Bitcoin (17.01%±0.72%) 和 Computers (47.35%±1.14%) 数据集上的表
现良好, 但在较大或更复杂的数据集上未必始终优于 ADGN. 值得注意的是, 在 CS 数据集 (46.99%±2.71%) 上的
表现突出, 这表明 EXDIG 在超越异常检测任务的更广泛应用中具有潜力, 特别是在一般任务中的表现尤为优异.
因此, 尽管 EXDIG 整体上表现强劲, 但在处理大规模、复杂图结构时仍可能受益于进一步的改进.
此外, 为了进一步验证各方法在异常检测任务中的实际区分能力, 我们补充了基于下游二分类器的评测. 具体
而言, 所有方法均在无监督条件下完成节点表征学习, 训练过程中不使用任何标签信息. 在此基础上, 我们将各模
型生成的节点表征输入同一个下游二分类器 (逻辑回归), 并使用 Accuracy (ACC) 和 F1 值作为二分类指标. 实验
结果如图 3 所示. 整体来看, EXDIG 在最具代表性的 Bitcoin 和 Cora 数据集上均取得了 Accuracy 和 F1 值的最高
成绩, 表现出较强的竞争力. 在 Cora 上, EXDIG 相较其他方法具备更明显的优势, 而在 Bitcoin 上, 尽管 EXDIG 依
旧取得最高分, 其优势相对不够明显, 部分对比方法 (如 ADGN、EXDIG-SMI) 表现接近, 显示出在不同图结构和
噪声条件下, 模型仍存在进一步提升的空间. 总体而言, EXDIG 在无监督条件下所学习的表征展现出良好的异常
检测能力, 验证了其鲁棒性与泛化性.