ASPECT：基于图对比学习的节点级自适应谱融合
机器学习
2026-05-11 v2 人工智能
摘要
谱图对比学习通常构建低频和高频视图以捕获互补的图信号，但这些视图常通过图级别或节点不可感知的融合规则进行组合。我们展示，图级别的融合在节点谱偏好分离的混合图上会产生不可消除的 regret。基于此结果，我们提出了 ASPECT—a 一种在节点级别自适应融合低频和高频视图的谱图对比学习方法。ASPECT 通过学习节点级谱策略并利用通道级对抗证据进行正则化，使不同节点能够使用不同的谱混合。我们进一步引入 ASPECT-S—a 可选的稳定性感知扩展，该扩展利用生成的图结构和特征扰动获取经验通道级灵敏度估计，并结合Rayleigh谱搜索偏差以产生信息丰富的扰动。实验表明，在 homophilic 和 heterophilic 框架上，ASPECT 超过了竞争性谱和图对比基线，提高了表示质量；而 ASPECT-S 在联合图结构和特征扰动下进一步提升了性能。
引用
@article{arxiv.2604.01878,
title = {ASPECT: Node-Level Adaptive Spectral Fusion for Graph Contrastive Learning},
author = {Zhuolong Li and Boxue Yang and Haopeng Chen},
journal= {arXiv preprint arXiv:2604.01878},
year = {2026}
}
备注
28 pages, 3 figures. Revised version with updated method framing, improved exposition, and additional experiments