Page 253 - 《软件学报》2026年第7期

2938 软件学报 2026 年第 37 卷第 7 期

次内对互补子图施加扰动 (如随机打乱或重组), 并将其与保持不变的证据子图重新组合, 生成标签不变的反事实
样本. 该策略通过打破证据与互补之间的统计共现, 显著削弱了模型对非因果特征的依赖, 从而有效缓解捷径学习
问题. 例如, 在图 1 所示的示例中, 若将 House 与 Wheel 的组合关系打破, 并用 Tree 替代 Wheel 与 House 组合, 即
可阻断模型对 House-Wheel 共现关系的依赖, 促进其关注真正决定 motif 类型的结构性特征.
然而, 该类方法的有效性高度依赖于互补部分与标签之间的独立性假设, 而该假设在实际图神经网络建模过
程中往往难以严格成立. 一方面, 互补表示并非仅由原始互补节点构成, 而是由掩码向量与节点表示共同决定; 另
一方面, 节点表示是通过多层图神经网络的消息传递机制获得的. 在这一过程中, 互补节点不可避免地接收到来自
证据节点的信息, 且随着传播层数的增加, 这种信息渗透效应将持续累积, 从而使互补表示逐渐混入与证据子图相
关的语义信息. 由此, 互补表示与标签之间可能产生潜在相关性, 导致构造的反事实样本偏离理想的反事实分布,
进而削弱反事实增强策略的干扰效果与整体鲁棒性.
为缓解上述问题, 本文提出一种面向图分类任务的互补感知证据提取 (complement-aware rationale extraction,
CaR) 方法. 该方法的核心目标在于增强互补表示与标签之间的独立性, 从而提升反事实样本构造的质量. 具体而言,
本文引入对比学习机制 [24] , 以促使证据表示与互补表示在特征空间中实现解耦, 从而提升反事实样本的构造质量.
此外, 考虑到图神经网络中消息传递层数的增加将加剧证据信息对互补节点的干扰, 本文进一步提出一种回声学
习 (echo-learning) 策略. 即在固定层数的图网络结构下 (例如 5 层), 较早层 (如第 3 层) 的互补表示受到的证据干扰
相对较少, 因而相较当前层 (如第 5 层) 更能保持与标签的独立性. 基于该观察, 不同于现有方法仅依赖最终层互补
表示的限制, 本文设计出一种融合历史层互补表示的反事实生成机制, 以进一步增强模型抵御捷径干扰的能力.
本文的主要贡献如下.
(1) 从图神经网络多层消息传递的角度, 分析现有基于反事实增强的图证据提取方法中互补表示与标签之间
可能产生相关性的原因, 指出随着传播层数增加, 互补节点表征中逐渐混入与证据子图相关的语义信息, 从而削弱
“互补子图与标签条件独立”假设的成立程度, 进而影响对捷径学习的抑制效果.
(2) 提出一种互补感知的图证据提取方法 CaR, 通过引入对比学习约束证据表示与互补表示在特征空间中的
解耦, 增强互补表示与标签之间的独立性, 提高反事实样本构造的有效性与鲁棒性. 同时提出一种回声学习策略,
利用不同层次互补表示中证据信息渗透程度的差异, 融合历史层互补特征进行反事实生成, 进一步削弱捷径共现
关系对模型预测与解释的干扰.
(3) 在多个真实图分类基准数据集 [1,25] 及合成数据集 [10] 上的实验证明, 所提出的 CaR 方法在生成忠实解释方
面具有显著优势, 有效缓解了由捷径引发的解释不可靠问题.
1 相关工作

图神经网络近年来在图分类、节点分类、链路预测等任务中取得了显著进展 [26−31] , 其强大的结构建模能力为
复杂图数据的表示与处理提供了全新路径. 然而, 图神经网络的“黑箱性”使其预测过程难以理解, 严重制约了模型
在安全敏感与高可信度要求场景中的部署与应用. 为应对这一问题, 研究者提出了多种图可解释性技术, 旨在提升
模型的透明度与决策过程的可理解性 [32−36] . 现有图可解释方法主要分为两类: 事后可解释方法与自解释方法. 事
后可解释方法 [37] 通常在模型训练完成后, 通过干预或分析已训练模型的内部机制 (如注意力权重提取、梯度反向
传播、输入扰动等), 识别模型在预测中关注的结构区域. 这类方法适配性强, 可广泛应用于多种图神经网络架构,
适用于通用的模型解释需求. 然而, 其解释过程通常计算复杂, 尤其在处理大规模图数据时, 面临效率低下与鲁棒
性差的问题. 此外, 由于解释生成过程与模型预测解耦, 往往难以保证解释结果的忠实性与一致性.
因此, 近年来越来越多研究关注自解释方法. 自解释方法在模型结构中引入显式的解释模块或结构性约束, 使
模型在进行预测的同时生成解释, 通常具备更强的内在一致性与可追溯性. 例如, 李平等人 [38] 提出一种层次化自
解释图表示学习方法, 能够在图分类过程中输出基于图结构的层次化解释, 增强了模型推理逻辑的透明性与可信
度. 此类方法的优势在于可通过结构设计精确约束解释生成机制, 从而实现更具语义性的结构区域定位与分析.
在自解释方法中, 图证据提取方法因其解释结果直观、结构清晰, 受到广泛关注. 该类方法通常通过学习结构