基于切比雪夫-霍奇对比学习的结构鲁健图表示学习
机器学习
2026-04-30 v1
摘要
图对比学习（Graph Contrastive Learning, GCL）已成为无监督图表示学习的重要框架。然而，仅依赖增强设计来定义GCL学习到的不变性，在结构扰动下可能不够稳健。为此，我们提出切比雪夫-霍奇对比学习（Cheeger--Hodge Contrastive Learning, CHCL），一种通过对齐增强视图间稳健的切比雪夫-霍奇联合签名，以实现鲁健的图表示学习。该联合签名结合了基于代数连通性 的切比雪夫-inspired 连通性签名与1-霍奇拉普拉斯的低频谱，从而捕获全局连通性和更高阶结构信息。通过在增强视图中将编码器表示与所提出的切比雪夫-霍奇联合签名对齐，CHCL学习到的图嵌入对局部结构扰动具有鲁健性。大量实验在标准基准和迁移设置下表明，CHCL在性能、鲁健性和泛化性方面均显著提升。
引用
@article{arxiv.2604.26301,
title = {Cheeger--Hodge Contrastive Learning for Structurally Robust Graph Representation Learning},
author = {Mengyang Zhao and Longlong Li and Cunquan Qu},
journal= {arXiv preprint arXiv:2604.26301},
year = {2026}
}