Page 262 - 《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 2947

上述消融实验结果表明, CaR 的两个核心设计模块在提升模型预测能力和证据提取准确性方面均发挥关键作
用. 尽管每个模块在独立作用时仍具一定效果, 但完整集成后能实现更优的协同增强, 显著提升模型的泛化能力和
解释性能.
2) 超参数敏感性分析
本节重点分析图神经网络中两个关键超参数对 CaR 方法性能的影响: 图信息传播层数 l 以及批次大小. 具体
而言, 本文首先将传播层数分别设置为 3、4、5 和 6, 并在 MolBACE 与 MolSIDER 两个数据集上对 CaR 与 RGDA
的性能进行对比, 实验结果如图 5(a) 和 (b) 所示. 可以观察到, 随着传播层数的增加, 两种方法的性能均呈现先
上升后下降的趋势. 该现象主要源于深层图神经网络中普遍存在的过度平滑 (over-smoothing) 问题 [54] , 即节点表
示在多次消息传递后逐渐趋于一致, 从而削弱模型的判别能力. 尽管如此, 在所有层数设置下, CaR 始终显著优于
RGDA, 表明本文方法在不同网络深度条件下均具有更强的建模能力与泛化性能. 进一步地, 在较高层数 (如
l = 5) 下, CaR 的性能相比于较浅层数 (如 l = 3) 显著提升. 本文认为, 该现象主要得益于回声学习策略: 在更深的
消息传递过程中, 早期层与中间层能够提供更加多样化且语义层次不同的互补表示, 用于构造更丰富的反事实样
本, 从而有效提升模型对结构与语义多样性的刻画能力. 该结果表明, 所提出的方法通过增强反事实样本的多样
性, 有助于打破原始数据中潜在的虚假相关, 缓解模型对“捷径”特征的依赖, 从而提升预测结果的泛化性与因果忠
实性.

0.84 0.61 0.85
图分类任务AUC 0.82 图分类任务AUC 0.62 图分类任务AUC 0.75 MolBACE
0.83
0.80
0.60
0.59
0.81
0.70
0.58
0.80
0.65
MolSIDER
0.79
0.56
0.78 CaR 0.57 CaR 0.60
RGDA
RGDA
0.55
3 4 5 6 3 4 5 6 8 16 32 64
图信息传播层数 图信息传播层数 批次大小
(a) MolBACE (b) MolSIDER (c) 图分类任务效果随批次大小的变化
图 5 图信息传播层数和图批次大小的超参数敏感性分析

随后, 本文进一步考察了不同批次大小对模型性能的影响, 并在 MolBACE 和 MolSIDER 数据集上分别将批
次大小设置为 8、16、32 和 64. 实验结果如图 5(c) 所示. 随着批次大小的增大, 模型性能整体呈现稳定上升趋势.
这是由于在更大的批次大小中可采样到更多互补表示, 用于构造数量更为丰富、分布更为多样的反事实样本, 从
而增强反事实一致性约束的有效性. 该结果进一步验证了 CaR 方法通过提升反事实样本多样性来削弱虚假关联、
抑制捷径学习的机制, 并从超参数敏感性角度印证了所提出方法在提升泛化性能与推理忠实性方面的有效性.
4.5 CaR 中互补信息的性能表现 (RQ3)
前文图 2(a) 展示了 CDA-GR 方法在满足“在给定证据条件下, 互补信息与标签独立”这一假设时所面临的挑
战. 即便依赖互补信息进行任务预测, 模型仍能取得较好的性能, 说明其互补表示中仍包含与标签高度相关的信
息. 该现象反映出, 现有方法在互补信息建模过程中存在证据与互补信息混淆的问题, 未能实现二者之间的充分解
耦, 从而违背了原始的建模假设. 针对这一问题, 为进一步验证本文提出的 CaR 方法是否能够缓解上述问题, 本文
引入 CaR-reversal 变体, 即仅使用 CaR 学习得到的互补表示进行预测, 而完全移除证据信息. 图 2(b) 所示结果清
晰表明: 该变体在所有评估数据集上的性能均显著低于完整的 CaR 模型, 且相较于 CDA-GR 的互补预测结果下降
更为明显. 这一现象表明, CaR 方法通过证据-互补解耦机制与回声学习策略, 有效地抑制了互补信息中与标签相
关的部分, 从而更好地满足了“互补子图与标签条件独立”的核心假设.
4.6 回声学习策略的结构泛化能力 (RQ4)
消融实验已经验证了本文提出的回声学习策略在 CaR 方法中的有效性. 基于这一结果, 本文进一步提出一个
更具探索性的研究问题: 该策略是否具备良好的结构泛化能力, 即能否被成功应用于其他基于节点划分的图级证