Page 254 - 《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 2939

掩码, 识别模型预测所依赖的关键子图结构, 即“证据子图”, 并将其作为模型决策的依据呈现给用户. 图证据提取
方法具有良好的可读性与可视化能力, 有助于用户理解、验证并调整模型的预测逻辑, 已逐渐成为图可解释性研
究的核心方向之一. 然而, 已有研究指出, 当前图证据提取方法易受到捷径学习的影响 [15] . 在训练过程中, 图神经
网络模型可能并未捕捉到与标签具有因果关系的语义结构, 而是依赖数据中某些与标签高度共现但缺乏语义解释
的伪特征或统计捷径进行预测. 尽管这些捷径在训练集上可能有效, 但在分布外样本或真实场景中常失效, 导致模
型生成错误或误导性的解释结果, 严重削弱其可信性.
为缓解捷径问题, 近年来已有多项研究 [20,39−42] 尝试通过结构设计增强解释的忠实性与鲁棒性. 例如, DARE [40]
提出自引导训练框架, 基于互信息策略实现输入解耦, 引导模型捕捉与标签高度相关且信息充分的证据信号; GSAT [20]
引入信息瓶颈理论, 构建“最小化输入与解释之间冗余信息、最大化解释与标签之间关键信息”的优化目标, 并通
过可学习的低随机性注意机制提升解释稳定性; DIVE [41] 则关注解释的多样性, 引入子图多样性正则项, 鼓励模型
识别多个具有互补性的判别子图, 降低对单一捷径路径的依赖. 与此同时, 另一类研究路径尝试从环境扰动的角度
引入反事实数据增强 (counterfactual data augmentation), 以提升模型的泛化能力与解释结果的鲁棒性. 该类方法通
常将输入图刻画为“证据+环境”双结构形式, 通过在训练过程中引入多样化的环境样本, 强化模型对与标签稳定相
[10]
关的核心证据信息的识别能力. 例如, DIR 提出“不变证据发现”原则, 将互补子图视为环境干扰源, 并与固定的
证据子图重新组合生成反事实样本, 引导模型学习在不同环境下保持标签不变的结构模式. Faith-DARE [43] 在
DARE 基础上, 利用解耦后的互补表示构造反事实样本, 以削弱模型对捷径路径的依赖, 从而进一步提升反事实干
预的有效性. DisC [22] 与 RGDA [23] 同样基于互补结构构造反事实图, 以削弱模型对捷径路径的依赖. 不同于 Faith-
DARE 等在图级层面进行反事实构造, FIG [44] 在节点级粒度上生成反事实样本, 实现了更精细的环境扰动建模, 从
而提高了反事实样本对捷径抑制与解释鲁棒性的贡献. 此外, 还有方法通过引入显式或隐式的环境表示辅助反事
实构造. 例如, GIL [33] 与 C2R [12] 在小批量样本中聚类互补表示, 进而学习局部环境表示, 并与证据子图组合构造反
事实样本; HSE [45] 与 EQuAD [46] 则进一步引入环境标签生成机制, 通过环境推断为每个样本显式赋予环境类别, 提
升模型的泛化能力.
尽管上述方法在增强模型解释的忠实性与稳定性方面取得了积极进展, 但仍面临关键挑战: 部分基于互补表
示的反事实构造方法中, 互补子图本身可能蕴含较强的标签相关信息, 导致模型在缺失证据子图的情况下仍保持
较高预测精度. 这一现象违背了“互补结构不携带标签信息”的基本假设, 削弱了反事实样本干扰模型捷径行为的
能力, 进而影响增强策略的有效性与泛化能力.
2 预备知识

2.1 问题定义
令数据集 D 中每个样本为图-标签对 (G,Y) ∈ D, 其中图 G = (V,E) 由节点集合 V 和边集合 E 组成, 节点数和边
|V|
数分别为| V |和| E |. 本文旨在通过证据提取器 f s (G) 结合节点特征表示 H G ∈ R |V|×d 学习节点掩码 M ∈ R , 以获得
任务相关的证据子图表示. 具体而言, 通过对节点表示与掩码进行逐元素乘积得到证据子图表示 M ⊙ H G , 并基于
该表示训练任务预测器 f p (·) 完成任务预测. 模型的训练目标可形式化为最小化如下期望损失:

[ ( )]
f , f = argminE (G,Y)∼D ℓ f p ( f s (G)),Y (1)
∗
∗
p
s
其中, ℓ(·) 表示交叉熵损失函数.
2.2 基础图证据提取方法
本节介绍基础的图证据提取框架, 其核心模块包括证据提取器和任务预测器. 目标是在保持模型准确性的同
时, 从输入图中提取出对预测决策最关键的子结构 (证据子图). 具体而言, 证据提取器首先采用图神经网络编码器
GNN m (·) 将图中各节点编码为 d 维特征向量, 随后通过线性变换权重矩阵 W m ∈ R 2×d 计算每个节点作为证据的选
择概率, 具体表示为:

e M = Softmax(W m (GNN m (G))) (2)