Page 62 - 《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 1503

为了评估不同动态不完整级别下的下游任务质量, 我们在不同数据集上调整动态不完整比率, 并使用多种评
估指标. 首先对模型生成的嵌入进行标准化, 并划分为训练集和测试集. 然后, 使用优化后的超参数训练一个逻辑
回归分类器, 并在测试集上计算评估指标, 所有实验均运行 5 次, 并计算其均值, 以衡量不同动态不完整比率下的
表示质量, 详细分析如下.
图 4 展示了 EXDIG 在 3 个数据集上的性能, 随着动态不完整比率在节点、边和特征维度上均匀增加. 评估指
标包括准确率 (ACC)、F1、精确率 (Precision) 和召回率 (Recall). 在 Photo 数据集上, 该模型在面对日益增加的不
完整性时仍能保持较强的性能, 表现出较高的鲁棒性. 在 Computers 数据集中, EXDIG 依然表现良好, 但在
Precision 指标上略显敏感, 反映出其对结构复杂度的敏感性. 而在 CiteSeer 数据集中, 尽管动态不完整比率不断增
加, 该模型的性能依然保持稳定, 甚至在部分指标上出现轻微提升. 这些结果表明, EXDIG 具有较强的鲁棒性, 尽
管在极端情况下性能可能有所波动.

80 80 80 80
Photo Photo
70 70 Computers 70 70 Computers
CiteSeer CiteSeer
ACC (%) 60 F1 (%) 60 Precision (%) 60 Recall (%) 60
50
50
50
50
Photo Photo
40 Computers 40 40 Computers 40
CiteSeer CiteSeer
30 30 30 30
0 20 40 60 0 20 40 60 0 20 40 60 0 20 40 60
DIG ratio (%) DIG ratio (%) DIG ratio (%) DIG ratio (%)
图 4 EXDIG 在不同动态不完整比率下对 Photo、Computers 和 CiteSeer 数据集的性能变化

图 5 提供了 Cora 和 Bitcoin 数据集上 AUC 指标的热力图分析. 在此实验中, 节点和边的完整性比率独立变
化, 而特征补全比率固定为 1%. 该分析展示了模型在不同类型的图不完整性下的鲁棒性. 在 Cora 数据集中, 当节
点和边的补全度较低时, AUC 评分显著下降, 强调了结构完整性对于该类图的重要性. 相比之下, 在 Bitcoin 数据
集中, 即使节点完整性较低, AUC 依然在不同的边完整比率下保持稳定, 表明边信息对模型性能的影响较小, 这可
能是由于该数据集具有较高的连接密度或关键结构节点的存在.

54.0 52.0
100 100
53.5 75 51.5
Node complete ratio (%) 50 52.5 Node complete ratio (%) 50 50.5
75
53.0
51.0

50.0
52.0
25
25
49.0
51.0
1 51.5 1 49.5
100 75 50 25 1 100 75 50 25 1
Edge complete ratio (%) Edge complete ratio (%)
(a) Cora 数据集 (b) Bitcoin 数据集
图 5 EXDIG 在下游任务中性能变化的热力图分析

总体而言, 图 4 和图 5 的实验结果表明, EXDIG 在不同级别和类型的动态不完整场景下仍然保持有效, 且性
能依赖于具体数据集. 这些结果证实了该方法在处理不同程度的结构和特征不完整性方面的能力, 并在结构属性
较为完备的数据集中展现出较强的泛化能力.