Page 61 - 《软件学报》2026年第4期

1502 软件学报 2026 年第 37 卷第 4 期

表 3 EXDIG 与现有方法的 ARI 指标性能比较 (%)

Anomaly detection General
Method
Computers Photo Bitcoin Cora CiteSeer CS
GCN 9.87±3.55 15.08±2.46 0.12±0.30 16.15±0.56 5.98±0.80 2.38±0.48
GraphSAGE 0.21±1.27 1.77±0.37 0.00±0.08 0.00±0.20 0.73±0.29 0.78±0.58
GAT 29.51±3.42 37.12±4.35 11.49±4.40 8.74±1.91 4.58±1.74 2.37±0.61
GAE 5.97±2.48 7.88±2.38 5.28±3.23 0.22±0.24 0.73±0.28 0.87±0.15
VGAE-non-neg 12.40±3.39 17.91±1.41 0.11±0.30 14.18±2.94 9.51±1.72 3.07±0.31
VGAE-rand-neg 14.24±3.78 15.96±2.90 0.11±0.31 14.16±2.67 9.88±2.65 2.66±0.90
GPS 4.89±3.76 8.18±1.91 0.07±0.35 4.89±3.76 24.83±4.17 42.01±7.54
ADGN 6.94±2.90 12.30±3.25 16.38±0.59 7.25±3.49 18.53±4.19 46.85±3.75
EGC 2.52±1.29 2.98±1.68 0.05±0.08 2.52±1.29 2.61±0.49 1.61±0.59
GIN 0.00±2.27 2.10±0.23 0.01±0.25 1.35±0.30 0.00±0.02 0.08±0.06
GREET 2.01±0.53 11.66±0.07 0.09±0.01 4.83±0.13 7.36±0.03 8.06±0.51
EXDIG-SMI 50.10±1.24 47.37±5.17 13.89±0.09 38.56±2.79 33.42±3.08 42.91±1.82
EXDIG 47.35±1.14 52.18±2.81 17.01±0.72 39.88±1.42 34.51±3.80 46.99±2.71

GCN 60.21 GCN 57.19
GraphSAGE 38.10 GraphSAGE 29.33
GAT 65.19 GAT 63.51
GAE 34.64 GAE 11.70
VGAE-non-neg 67.08 VGAE-non-neg 62.71
VGAE-rand-neg 65.54 VGAE-rand-neg 62.56
GPS 65.40 GPS 62.54
ADGN 66.24 ADGN 61.34
EGC 49.93 EGC 45.95
GIN 61.44 GIN 58.07
GREET 73.34 GREET 71.07
EXDIG-SMI 78.62 EXDIG-SMI 77.20
EXDIG 79.02 EXDIG 77.55
0 20 40 60 80 100 0 20 40 60 80 100
ACC (%) F1 (%)
(a) ACC on Cora (b) F1 on Cora

GCN 79.58 GCN 40.17
GraphSAGE 77.25 GraphSAGE 29.05
GAT 79.28 GAT 39.64
GAE 77.27 GAE 29.06
VGAE-non-neg 79.72 VGAE-non-neg 40.68
VGAE-rand-neg 79.18 VGAE-rand-neg 40.81
GPS 80.61 GPS 40.78
ADGN 81.99 ADGN 44.82
EGC 79.85 EGC 41.36
GIN 77.27 GIN 29.06
GREET 77.31 GREET 31.25
EXDIG-SMI 81.90 EXDIG-SMI 44.56
EXDIG 82.31 EXDIG 45.01
0 20 40 60 80 100 0 20 40 60 80 100
ACC (%) F1 (%)
(c) ACC on Bitcoin (d) F1 on Bitcoin
图 3 EXDIG 在 Cora 和 Bitcoin 数据集上的准确率 (ACC) 和 F1 值补充实验

4.3 定量评估 (RQ2)
在训练过程中, 模型学习能够捕捉结构和特征信息的节点表示, 并可应用于标签分类等下游任务. 一个简单的
分类器 (如逻辑回归) 可用于评估这些表示的质量——更优的表示将带来更高的分类精度和准确率. 为了回答 RQ2,
我们从两个关键的图学习维度对 EXDIG 进行基准测试: 下游任务性能与动态不完整的严重程度.