Page 252 - 《软件学报》2026年第7期

岳立楠 等: 面向图分类任务的互补感知证据提取方法 2937

construct counterfactual samples, increasing the diversity of the training data. Extensive experiments on multiple real-world benchmark
datasets and a synthetic dataset demonstrate the effectiveness of CaR in producing faithful rationales.
Key words: rationale extraction; graph neural network (GNN); shortcut learning; explainable AI; data mining

图神经网络 (graph neural network, GNN) 在多种图分类任务中展现出优异性能 [1−4] . 然而, 其预测结果普遍缺
乏可解释性, 已成为制约其在实际应用中广泛部署的重要瓶颈. 为提升图神经网络模型的可解释性, 研究者提出了
多种方法, 主要包括事后可解释方法 [5,6] 与自解释方法 [7−9] . 其中, 图证据提取 (graph rationale extraction) 方法作为
自解释方法的重要分支, 近年来受到广泛关注 [10−12] . 该类方法首先从输入图中抽取一张对模型决策具有关键作用
的子图 (即证据子图), 然后基于该子图进行任务预测. 该子图通常由若干关键节点或边组成, 可作为模型决策依据
的解释性证据, 有助于理解其推理过程.
尽管图证据提取方法在提升模型可解释性方面展现出良好潜力, 但其易受到“捷径学习 (shortcut learning)”问
题的干扰 [13,14] . 所谓捷径, 是指图中某些结构模式与目标标签之间存在表面显著但非因果的统计关联, 导致模型在
预测与解释过程中倾向于依赖这些非因果特征. 已有研究表明, 图证据提取方法在构建证据子图的过程中, 容易捕
捉这类捷径关联进行任务预测 [10,15] . 因此, 即便模型在预测准确率上表现优异, 其生成的解释结果亦可能缺乏忠实
性. 更为严重的是, 在处理分布外 (out-of-distribution, OOD) 样本时, 图结构与标签之间的统计关系可能发生变化,
从而使原先依赖的捷径失效, 显著削弱模型在新场景下的预测与解释能力 [16−19] .
以图 1 所示的 motif 类型预测任务为例, 模型需根据由 motif 与 base 构成的图结构判别其中的 motif 类型. 在
该任务中, House 与 Cycle 分别作为 motif 标签, Tree 与 Wheel 作为 base 子图并不影响任务预测. 在训练集中,
House-Wheel 与 Cycle-Tree 的组合频率显著不均, 形成明显的样本不平衡现象. 这一偏差可能导致图证据提取方
法在训练过程中过度依赖 motif 与 base 之间的统计共现关系 (即捷径), 而非真正基于 motif 类型本身的判别语义
特征进行推理. 因此, 在分布内测试集中, 模型通常能够准确地将 House-Wheel 样本分类为 House, 因其已学习到
该组合的频繁共现模式 (捷径). 然而, 在面对分布外样本 (例如 Cycle-Wheel) 时, 模型仍倾向于错误地预测为
House, 主要原因在于训练时学到的解决关系在分布外发生变化, 导致模型错误地将 Wheel 区域提取为证据子图,
从而削弱了解释结果的可信度与有效性.

数量 数量

分布内数据 分布外数据
··· ···

House-Wheel Cycle-Tree ··· House-Wheel Cycle-Tree ···
数据类型 数据类型
(a) 训练数据集的分布 (b) 测试数据集的分布
图 1 motif 类型预测任务示意图

为缓解图证据提取方法中的捷径学习问题, 已有研究提出多种改进策略 [20,21] , 其中基于反事实数据增强的图
证据提取方法 [11,22,23] 通过削弱非因果特征与标签之间的统计相关性, 在抑制捷径学习方面表现出较好的效果. 该
类方法通常将输入图划分为证据子图与互补子图 (即非证据部分), 并根据划分粒度的不同, 分为基于节点划分 [23]
与基于边划分 [11] 的反事实增强方法. 本文聚焦于前者, 即基于节点划分的反事实数据增强方法. 具体而言, 该类方
法通过生成二值掩码向量来预测每个节点是否为证据节点; 随后, 利用图神经网络对图结构进行编码, 获得节点表
示. 通过将掩码与节点表示逐元素相乘, 可分别提取证据子图与互补子图的表示. 在此基础上, 引入反事实样本构
造机制, 其核心假设是: 在证据部分确定的前提下, 互补部分与标签应当条件独立. 基于该假设, 方法通常在同一批