Page 263 - 《软件学报》2026年第7期

2948 软件学报 2026 年第 37 卷第 7 期

据提取方法, 从而提升其性能? 为此, 本文选取了 4 种代表性的基于节点划分的证据提取方法 DARE、InterRAT、
RGDA 和 C2R, 并在其原有模型结构中引入回声学习策略, 并在 OGB 系列真实分子数据集上进行系统实验. 实验
结果如表 4 所示, 引入回声学习策略后, 4 种方法在几乎所有数据集与评估指标上均取得了不同程度的性能提升.
这一现象表明, 本文提出的回声学习策略不仅在 CaR 框架内有效, 其机制本质上具有较强的通用性和适应性, 能
够帮助不同方法更好地解耦互补信息与证据表示, 进而增强模型对真实因果结构的捕捉能力. 由此可见, 该策略体
现出良好的通用性与结构泛化能力, 具备在更广泛的图分类与证据提取任务中推广应用的潜力.

表 4 回声学习策略的结构泛化能力分析

方法 MolHIV MolToxCast MolBBBP MolBACE MolSIDER
DARE 0.783 6 0.667 7 0.682 0 0.823 9 0.592 1
DARE+echo 0.790 1 (+0.65%) 0.672 1 (+0.44%) 0.693 7 (+1.17%) 0.829 9 (+0.60%) 0.610 3 (+1.82%)
InterRAT 0.744 6 0.653 1 0.675 3 0.795 8 0.582 1
InterRAT+echo 0.768 3 (+2.37%) 0.668 2 (+1.51%) 0.688 7 (+1.34%) 0.808 4 (+1.26%) 0.606 9 (+2.48%)
RGDA 0.771 4 0.669 4 0.695 3 0.818 7 0.586 4
RGDA+echo 0.795 6 (+2.42%) 0.673 7 (+0.43%) 0.707 3 (+1.20%) 0.835 6 (+1.69%) 0.617 3 (+3.09%)
C2R 0.791 9 0.670 9 0.699 9 0.814 3 0.613 1
C2R+echo 0.802 4 (+1.05%) 0.679 2 (+0.83%) 0.715 8 (+1.59%) 0.832 8 (+1.85%) 0.619 7 (+0.66%)

4.7 可视化验证 (RQ5)
本节展示了在 Spurious-Motif 数据集 (伪相关强度参数 b = 0.9) 上训练得到的 CaR 模型的可视化结果. 图 6
直观呈现了 CaR 提取出的若干关键证据子图. 每个示例图包含一个 motif 类型子图 (Cycle、House、Crane 这 3 种
结构之一) 和对应的 base 子图 (Tree、Wheel、Ladder 这 3 种结构之一). 其中, 模型认为与预测相关的重要节点以
e m i 超过阈值 0.55. 同时, 节点之间的连接边用红色线条直观
藏青色高亮表示, 具体判定标准为节点的证据概率
展示.

Cycle-Tree Cycle-Wheel Cycle-Ladder

House-Tree House-Wheel House-Ladder

Crane-Tree Crane-Wheel Crane-Ladder
图 6 CaR 提取的证据子图的可视化展示

从这些可视化结果中可以明显观察到, CaR 能够精准地识别出对任务预测至关重要的证据结构, 成功区分真
实的因果子图 (motif) 与互补信息子图 (base), 这表明模型并未受到强伪相关结构的干扰, 而是更偏向于基于因果
有效性的子图进行判别, 体现出较强的因果判别能力与特征解耦能力. 上述实验结果验证了本文提出的证据-互补