Page 83 - 《软件学报》2026年第4期

1524 软件学报 2026 年第 37 卷第 4 期

4.6 消融分析
为了回答问题 2, 本节以 T-Finance 数据集为例, 对 FedRPDA 中各项关键策略对模型性能的贡献进行消融分
析. 具体实验结果如表 4 所示, 具体分析如下.

表 4 T-Finance 数据集上的消融实验结果 (%)

典型风险动态聚合 多样化风险平均聚合
索引 F1-macro Recall AUC AP
w/o 权重映射 w/ 权重映射 w/o 变分扰动增强 w/ 变分扰动增强
1 － √ － √ 86.79 81.25 95.58 81.60
2 － √ － － 84.59 77.50 94.88 81.01
3 － － － √ 83.99 76.74 94.87 79.92
4 √ － － － 69.20 62.50 94.52 78.95
5 － － √ － 65.66 60.00 94.23 77.86
6 － － － － 66.53 60.63 94.37 78.27
注: 索引6表示不应用两种策略的基准FedAvg方法

(1) 对于典型风险动态聚合策略, 模型性能的提升主要来源于对客户端中欺诈节点结构性风险强度的准确度
量, 以及在训练过程中对聚合权重的动态调节机制. 观察表 4 中的实验结果, 与基线方法 FedAvg (索引 6) 相比, 基
于客户端重要性进行全局模型加权聚合 (索引 4) 能够一定程度上提升模型效果, 而在此基础上结合具有时间衰减
特性的动态权重映射机制 (索引 2) 后模型性能得到显著提升. 这说明, 基于欺诈风险的重要性评估比单纯依赖节
点数量的加权策略更能凸显关键客户端的价值. 而根据训练阶段动态调整各客户端的影响力, 使模型在早期更关
注具有代表性的高风险客户端, 可以加速对典型欺诈行为的学习, 提升整体识别准确性与训练效率.
(2) 对于多样化风险平均聚合策略, 模型性能的提升主要来源于结合变分扰动的欺诈节点特征增强机制与全
局原型引导的对比学习策略的优化. 通过对表 4 索引 3、5、6 的对比可以观察到, 如果在对比学习过程中直接对
所有节点施加约束反而会导致负向作用, 这是因为严重的类别不平衡导致欺诈节点在对比学习过程中受到类间压
制, 影响了模型对于欺诈节点的有效学习. 而当结合基于欺诈节点特征分布生成的虚拟欺诈节点来平衡类别样本
数量后, 全局模型性能明显上升. 在全局原型知识的指导下, 一方面各个客户端建立平衡的正常节点和欺诈节点集
合, 在特征空间靠近各自类别的原型并远离相反类型的原型可以减轻各个客户端在特征分布上的异构性. 另一方
面, 如图 3 所示, 在数据中的结构多样但数量稀少的欺诈样本可以在全局欺诈原型知识的引导下, 向共性欺诈特征
靠近, 且样本的特征空间变得更加可区分.

正常节点 正常节点
欺诈节点 欺诈节点

图 3 FedAvg 与 FedRPDA 训练节点特征空间对比

(3) 从索引 1 (同时采用两项策略) 与其他单独策略组合的对比结果可见, 典型风险动态聚合策略与多样化风
险平均聚合策略在目标与机制上互为补充. 前者通过客户端聚合权重量化和动态调整帮助模型在复杂环境中快速
适应和提升对典型欺诈样本的识别能力, 后者则通过跨客户端的类别语义共享与欺诈节点特征增强的数据平衡机
制提升模型对异常风险的整体感知能力, 使其在面临多样化风险时更为鲁棒. 通过结合两种方法, 即本文所提出的