Page 65 - 《软件学报》2026年第4期

1506 软件学报 2026 年第 37 卷第 4 期

管某些维度上类别分离较清晰, 但仍存在一定的重叠, 这反映了数据集本身的复杂性.
总体而言, 这些可视化结果表明, 我们的方法在动态不完整图条件下能够有效增强数据表示, 在两个数据集中
均展现了清晰的类别分离. 特别是在更复杂和更大规模的 DGraphFin 数据集中, 该方法仍能保持类别区分能力, 这
进一步验证了其在 DIG 场景下的有效性.

40
20
维度 1 0
−20
−40

40

20
维度 2 0 Label
0
−20 l
−40

40
20
维度 3 0

−20
−40
−50 0 50 −50 0 50 −50 0 50
维度 1 维度 2 维度 3

图 8 EXDIG 在 DGraphFin 数据集中 95% DIG 比例下的可视化分析

4.6 可解释性研究 (RQ5)
我们的可解释性模块实验结果表明, 即使在不同程度的动态不完整图 (DIG) 环境下, EXDIG 框架仍然能够保
持可解释性. 实验结果通过可视化展示了模型如何在缺失节点、边和特征的情况下, 仍能有效地解释其决策过程,
并在不同的 DIG 比率下提供合理的解释.
● 节点重要性分布聚类: 如图 9 所示, 在第 1 组可视化实验中, 我们将节点重要性得分聚类为低、中、高这 3
个类别. 随着 DIG 比率的降低, 高重要性节点的分布保持稳定, 而低重要性节点对缺失组件表现出更强的敏感性.
在 99% DIG 比率下, 由于大量数据缺失, 重要性分布出现更大的变化. 然而, 即使在极端扰动条件下, 模型仍能识
别出高重要性节点, 证明了该方法的鲁棒性.
● 基于重要性得分的图可视化: 如图 10 所示, 在第 2 组可视化实验中, 我们对节点的重要性得分进行颜色编
码和大小调整, 以突出哪些节点对模型决策影响最大. 结果清晰地展示了, 即使在 99% 的图数据缺失的情况下, 模
型仍然能够突出关键节点. 当 DIG 比率从 99% 降至 25% 时, 高重要性节点和低重要性节点之间的区分度更加明
显, 特别是在 25% DIG 比率下, 图结构更完整, 节点重要性更加清晰可见. 尽管数据缺失, EXDIG 仍能有效突出关
键节点, 确保决策过程的透明度.