先解耦后精炼：面向图对比学习的 LLM 引导解耦与结构感知精炼
人工智能
2026-04-17 v1
摘要
文本属性图（TAGs）上传统的图对比学习（GCL）依赖于盲目的随机数据增强，无意中将任务相关信号与噪声纠缠在一起。我们提出了 SDM-SCR，一个以近似正交分解为基础的稳健框架。首先，语义解耦模块（SDM）利用大型语言模型（LLMs）的指令遵循能力，主动将原始属性解析为非对称的、面向任务的信号视图与噪声视图。这将范式从随机扰动转变为语义感知的解耦。随后，语义一致性正则化（SCR）利用了语义信号在拓扑上平滑而残余噪声为高频的谱观测。SCR 充当选择性谱滤波器，仅对信号子空间施加一致性约束，从而在不导致过平滑的情况下消除 LLM 幻觉。这种“先解耦后精炼”机制确保了严格的信号净化。大量实验表明，SDM-SCR 在准确率与效率上均达到了 SOTA 性能。
引用
@article{arxiv.2604.14746,
title = {Disentangle-then-Refine: LLM-Guided Decoupling and Structure-Aware Refinement for Graph Contrastive Learning},
author = {Zhaoxing Li and Hai-Feng Zhang and Xiaoming Zhang},
journal= {arXiv preprint arXiv:2604.14746},
year = {2026}
}
备注
Accept in ICME 2026