Page 256 - 《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 2941

H G 通常通过图神经网络在多层信息传播和聚合的过程中获得. 在
顾公式 (4) 可知, 互补表示源自节点表示 H G , 而
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, 使其表示中逐渐混入与证据子图相关的语义特征.
这种由消息传递机制引入的信息渗透, 从结构上破坏了“互补子图与标签条件独立”的建模假设, 从而可能限制
CDA-GR 方法在实际图分类任务中的增强效果.
为验证上述分析, 本文设计了一系列实证实验, 系统评估 CDA-GR 方法的实际表现. 具体而言, 本文选取了 5
个 OGB 图分类数据集 [1] , 并报告了 CDA-GR 的代表性实现方法 RGDA [23] 的预测结果, 结果如图 2(a) 所示. 为了进
一步检验互补表示中是否携带标签相关的信息, 本文引入对照实验方法 RGDA-reversal, 将原本用于预测的证据表
示 h r 替换为互补表示 , 用于分类任务. 实验结果表明, 在大多数数据集上, RGDA-reversal 的性能与 RGDA 相当,
h e
甚至在部分数据集上表现略优. 这一观察进一步印证了互补表示中确实包含与标签相关的证据信息, 从而从实证
层面印证了“互补子图与标签条件独立”的假设在实际应用中难以严格满足. 这一发现揭示了当前 CDA-GR 方法
在建模假设层面的潜在局限性.

0.9
0.85 RGDA CaR
RGDA-reversal 0.8 CaR-reversal
图分类任务AUC 0.75 图分类任务AUC 0.7
0.80
0.70
0.6
0.65
0.60 0.5
0.55 0.4
MolHIV MolToxCast MolBBBP MolBACE MolSIDER MolHIV MolToxCast MolBBBP MolBACE MolSIDER

(a) RGDA与RGDA-reversal的性能表现 (b) CaR与CaR-reversal的性能表现
图 2 RGDA、RGDA-reversal、CaR 与 CaR-reversal 在 OGB 数据集上的性能表现

3.2 CaR 方法的模型架构
基于第 3.1 节对 CDA-GR 方法的重新审视, 如图 3 所示, 本文提出一种新的基于证据提取的图神经网络方
法 CaR, 旨在更好地满足“互补子图与标签条件独立”的关键假设. CaR 方法主要包括两个核心模块: (1) 基于对
比学习的解耦机制, 实现证据表示与互补表示的有效分离; (2) 回声学习 (echo-learning) 策略, 从图神经网络的
早期传播层中提取互补相关信息, 用以提升反事实表示的稳定性.

证据表示
1
h r
···
j
h r
证 h r i 任
据 务
提  c 预 k−1
G i
取 层数=2 层数=2 测  com +∑λ e l  e l
l=2
··· 器 层数=l−1 层数=l−1 器
批次内数据 层数=l h e l 1 层数=l i (i,j) i j
··· ··· h e l h G l ~ =h r +h e l
j 随机扰乱 1
h e l h e l
i ··· j ···
图信息 图信息
h e l h e l
互补表示
传播层 传播层
图 3 CaR 方法的模型架构

1) 基于对比学习的证据-互补解耦机制
为了实现证据表示 h r 与互补表示 h e 之间的显式解耦, 本文引入对比学习约束机制, 旨在在保持证据语义不变
的前提下, 使证据表示与任意互补表示在嵌入空间中相互远离, 从而压缩二者的共享信息成分, 避免互补表示中混