谱图对齐的图对比学习
机器学习
2025-12-23 v3
摘要
给定每个输入图的增强视图， 对比学习方法（如 InfoNCE）在跨视图之间优化图嵌入的成对对齐， 但无法控制由这些嵌�构建的特定视图的图-图全局结构。 我们引入 SpecMatch-CL，一种新颖的损失函数，通过最小化其归一化拉普拉斯算子之间的差异来对齐特定视图的图-图。在理论上，我们证明，在 certain 假设下，归一化拉普拉斯算子之间的差异不仅为理想的完美对齐对比损失与当前损失之间的差异提供上界， 也为均匀损失提供上界。 在实验上，SpecMatch-CL 在八个 TU 基准测试上在无监督学习和低标签率下的半监督学习中均建立了新的状态， 并在 PPI-306K 和 ZINC 2M 数据集上在迁移学习中持续获得提升。
引用
@article{arxiv.2512.07878,
title = {Graph Contrastive Learning via Spectral Graph Alignment},
author = {Manh Nguyen},
journal= {arXiv preprint arXiv:2512.07878},
year = {2025}
}
备注
The author thanks Joshua Cape for helpful comments and apologizes for listing him as a coauthor on a previous version of this article without his consent