Page 258 - 《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 2943

其中, L com 为原始分类损失, λ c 与 λ e l 为损失权重系数, 用于平衡对比学习与反事实增强的训练目标.

4 实验与评估

为系统评估所提出的 CaR 方法的有效性与适用性, 本文设计了一系列实验, 围绕以下关键研究问题 (research
question, RQ) 展开.
● RQ1: CaR 方法在提升任务预测性能及证据提取质量方面表现如何?
● RQ2: CaR 方法中不同模块的设计选择及其超参数设置对模型性能有何影响?
● RQ3: 与现有的 CDA-GR 方法相比, CaR 所学习的互补表示是否在语义上与标签具有更强的条件独立性?
● RQ4: 所提出的回声学习策略是否能够有效增强 CDA-GR 框架下的反事实生成能力, 从而进一步提升模型
性能?
● RQ5: 在分布外 (OOD) 场景中, CaR 是否能够准确识别出对预测决策起关键作用的证据信息?
4.1 数据集与基准模型
1) 数据集
为全面评估 CaR 方法的有效性, 本文在合成数据集和真实世界数据集上开展了系统实验, 相关数据集的统计
信息如表 1 所示.

表 1 合成数据集与真实世界数据集的统计信息

数据集 训练/验证/测试 类别数 平均节点数 平均边数
Spurious-Motif (b=0.5) 3 000/3 000/6 000 3 29.6 42.0
Spurious-Motif (b=0.7) 3 000/3 000/6 000 3 30.8 45.9
Spurious-Motif (b=0.9) 3 000/3 000/6 000 3 29.4 42.5
MolHIV 32 901/4 113/4 113 2 25.5 27.5
MolToxCast 6 860/858/858 617 18.8 19.3
MolBBBP 1 631/204/204 2 34.1 26.0
MolBACE 1 210/151/152 2 34.1 36.9
MolSIDER 1 141/143/143 27 33.6 35.4

合成数据集: 在本文中, 采用 Spurious-Motif 数据集 [5,10] 作为合成实验平台, 其任务为 motif 类型预测. 该数据
集中, 每个图由两个结构性子图组成: motif 子图 R 与 base 子图 C. 其中, motif 子图是预测目标的主要依据, 可视为
模型推理所依赖的“证据”, 其结构类型包括 Cycle、House 和 Crane (分别对应 R = {0, 1, 2}); base 子图结构则与
motif 类型无关, 视为互补部分, 包括 Tree、Ladder 和 Wheel (即 C = {0, 1, 2}).
为验证 CaR 在缓解“捷径”问题方面的能力, 本文手动构建了多个具有不同伪相关程度的数据分布. 具体而言,
motif 子图按均匀分布采样, 而 base 子图的生成遵循以下分布:

1−b
P data = b·I(C = R)+ ·I(C , R) (19)
2
其中, b 控制 base 与 motif 子图之间的伪相关强度, 当 b = 1 时, base 子图与对应的 motif 类型完全共现, 即每种
motif 类型总是对应唯一一种 base 类型, 形成强伪相关关系; 而当 b = 0 时, base 子图与 motif 子图的结构独立, 伪
相关性为 0. 本文构建了 3 类数据集, 分别对应 b = {0.5, 0.7, 0.9}, 以分析 CaR 在不同伪相关程度下的鲁棒性. 为评
估模型在真实泛化场景下的表现, 本文构建了一个去偏测试集, 即设置 b = 1/3, 使得 base 与 motif 子图之间不存
在统计相关性, 从而模拟分布外场景, 确保测试结果的公平性和无偏性.
[1]
OGB 数据集: 为进一步验证 CaR 在真实图分类任务中的适用性, 本文在 Open Graph Benchmark (OGB) 提
供的 OGB-Mol 系列数据集上开展实验. 该基准广泛用于图级分子属性预测任务, 本文选用了其中的 5 个子集
MolHIV、MolToxCast、MolBBBP、MolBACE 和 MolSIDER, 涵盖毒性、药理活性、血脑屏障穿透性等多个分子
性质. 为保证实验公平性, 本文采用 OGB 默认的 scaffold 分割策略, 该策略在划分训练集与测试集时构造了分布