基于部分成对监督的快速无特征节点表示学习
机器学习
2026-05-20 v1 人工智能
摘要
我们提出 Contrastive FUSE，一个快速且统一的框架，用于在部分成对节点标签可用且无节点特征的情况下，进行图上的可扩展节点表示学习。与现有方法不同，我们直接优化一个谱对比目标，该目标将社区感知的结构信号与带符号的成对约束相结合。为支持大规模训练，我们用轻量级近似替代了计算代价高昂的模块度梯度，该近似保留了模块度的结构搜索行为，同时显著降低了计算成本。这产生了一个高效的优化方案，具有自然梯度分解和自适应学习率缩放，即使在百万边图上也能实现快速迭代更新。在基准引文网络、大型共同购买图和 OGB 数据集上的大量实验表明，Contrastive FUSE 在不依赖节点特征的情况下，取得了具有竞争力或更优的对比分类性能，同时相比现有基线方法大幅缩短了运行时间。这些结果凸显了将受模块度启发的结构学习与对比监督相结合，对于高效且可扩展的对比节点表示学习的有效性。
引用
@article{arxiv.2605.19916,
title = {Fast and Featureless Node Representation Learning with Partial Pairwise Supervision},
author = {Sujan Chakraborty and Saptarshi Bej},
journal= {arXiv preprint arXiv:2605.19916},
year = {2026}
}