Page 257 - 《软件学报》2026年第7期

2942 软件学报 2026 年第 37 卷第 7 期

入可预测标签的证据信息. 具体而言, 本文设计如下对比损失函数 L c :

 
⊺
e 
  h r h r 
 
exp 
 
τ
L c = −log (12)
⊺ ⊺
  ( )
∑
e 
   +
 h r h r  h r h e

exp   exp
τ h e ∈T τ
{ } k−1
{ } B
其中, e 为 h r 的正样本, T 表示当前 mini-batch 中所有样本的互补表示 h i , k 表示图神经网络的总传播层
h r
e l i=1
l=2
数, τ 为温度系数, 用于调节对比学习中相似度分布的敏感度.
e 构造为证据表
受公式 (8) 启发, 考虑到互补表示在理想情况下不应影响模型预测结果, 因此本文将正样本 h r
ˆ
示 h r 与随机采样的互补表示 h e ∈ T 的加和, 即:

ˆ
e (13)
h r = h r +h e
构造后的样本由于保留了证据信息, 且不受互补信息的影响, 因此可作为证据表示 h r 的正样本. 在负样本方
面, mini-batch 中所有互补表示 h e 均被视为与 h r 语义无关的对立样本. 通过最小化上述对比损失 L c , 模型能够有
效压缩证据与互补表示之间的共性信息, 并增强它们在嵌入空间中的区分性, 从而为后续反事实增强提供更加可
靠的表示基础.
2) 回声学习策略
现有基于反事实组合的方法通常仅利用最终一层图表示来构造互补表示. 然而, 在图神经网络深层消息传递过
程中, 节点表示会不断聚合邻域信息, 使得本应与标签条件独立的互补分量中混入大量证据信息, 从而破坏“证据-互
补可加且互不干扰”的建模假设. 为缓解该问题, 本文提出回声学习 (echo-learning) 策略, 从图神经网络的中间传播
层中回溯并提取互补表示, 用于构造反事实样本. 具体而言, 该策略基于第 3.1 节的实证分析, 并引入如下关键假设.
k l < k), 本文假设第 层生成的互补表示相较于第 层包含更少
假设 1: 给定图神经网络消息传递的层数 l 与 ( l k
的证据信息.
在此假设基础上, 定义回声互补表示 (echo complement representation) 如下.
定义 1. 回声互补表示. 设图神经网络的总传播层数为 k, 则第 层 l ( l < k) 的互补表示 h e l 被定义为回声互补表
示, 计算公式为:

( )
(14)
h e l = READOUT (1− M)⊙ H G l
其中, H G l 表示图在第 l 层的节点表示, M 为证据掩码, ⊙ 表示逐元素乘法操作.
基于上述假设与定义, 本文认为, 相较于最终层互补表示, 早期传播层得到的回声互补表示更能保持与标签之
间的独立性. 因此, CaR 利用不同层次的回声互补表示参与反事实样本构造, 以在增强表达多样性的同时削弱由过
度消息传播引入的虚假关联.
{ } B { } B
i
i
具体而言, 模型首先从第 l 层中采样一个 mini-batch 的回声互补表示 h i , 之后对于每个 mini-batch (h ,h ,Y i ,
e l i=1 r e l i=1
在每一层 l 上执行交叉组合以构造反事实样本并进行任务结果预测:

i
h (i,j) = h +h j (15)
e G l r e l

( )
ˆ Y (i,j) = ϕ h (i,j) (16)
l e G l

[ ( )]
= E ℓ ˆ Y (i,j) , e Y (i,j) (17)
L e l )
( G i ,Y i ∼D l
其中, e Y (i,j) 表示构造样本的伪标签, ϕ(·) 表示分类器. 该过程在多个中间层 l = {2,3,...,k −1} 上执行, 使模型同时受
到来自不同语义层级互补表示的反事实约束, 从而抑制深层表示中由过度消息传播引入的虚假相关.
最终, 综合原始分类损失、证据-互补对比解耦损失以及多层回声反事实损失, CaR 的最终训练目标为:

k−1
∑
L car = L com +λ c L c + λ e l L (18)
e l
l=2