GCCM：通过对比一致性模型增强生成式图预测
人工智能
2026-05-08 v1
摘要
条件生成模型，特别是基于扩散的方法，最近被应用于图预测，通过将目标建模为给定输入图的条件分布，与确定性预测器相比取得了有竞争力的结果。然而，现有的基于扩散的预测方法通常需要在推理时进行昂贵的迭代去噪，并且常常遭受不稳定的采样，这促使了最近通过一致性训练等技术减少推理去噪步骤并实现稳定采样的努力。尽管取得了这些进展，我们发现现有的用于图预测的一致性训练方法可能陷入一个捷径解：模型可能通过忽略噪声目标（即赋予其可忽略的权重）来尝试满足自一致性约束，最终坍缩为一个纯粹的确定性预测器。为了缓解这种捷径解，我们提出了GCCM，一个图对比一致性模型，它通过将负样本对引入对比一致性目标，超越了同一目标在不同噪声水平下的孤立成对匹配。这增加了一个额外的分离要求，使得捷径解不再能轻易满足所提出的目标。此外，我们对输入节点/边特征应用特征扰动，以打破对输入图的相同条件作用，使得捷径不再在不同噪声水平下产生相同的预测，从而变得不那么有吸引力。在基准数据集上的大量实验表明，GCCM缓解了捷径解，并在图预测中相比确定性预测器产生了一致的性能提升。
引用
@article{arxiv.2605.05689,
title = {GCCM: Enhancing Generative Graph Prediction via Contrastive Consistency Model},
author = {Shaozhen Ma and Wei Huang and Hanchen Wang and Dong Wen and Wenjie Zhang},
journal= {arXiv preprint arXiv:2605.05689},
year = {2026}
}