图位置自编码器作为自监督学习器
机器学习
2025-06-17 v2
摘要
图自监督学习旨在不依赖标注数据学习有效的图表示。在各种方法中，图自编码器（GAEs）因其高效性和可扩展性而受到广泛关注。通常，GAEs 将不完整的图作为输入并预测缺失的元素，例如被掩蔽的节点或边。虽然有效，但我们的实验研究表明，传统的节点或边掩蔽范式主要捕获图中的低频信号，未能学习到具有表达力的结构信息。为了解决这些问题，我们提出了图位置自编码器（GraphPAE），它采用双路径架构来同时重构节点特征和位置。具体而言，特征路径使用位置编码来增强消息传递过程，提高 GAE 预测损坏信息的能力。另一方面，位置路径利用节点表示来细化位置并逼近特征向量，从而使编码器能够学习多频率信息。我们进行了广泛的实验来验证 GraphPAE 的有效性，包括异配节点分类、图属性预测和迁移学习。结果表明，GraphPAE 达到了 SOTA 性能，并以大幅优势持续优于基线方法。
引用
@article{arxiv.2505.23345,
title = {Graph Positional Autoencoders as Self-supervised Learners},
author = {Yang Liu and Deyu Bo and Wenxuan Cao and Yuan Fang and Yawen Li and Chuan Shi},
journal= {arXiv preprint arXiv:2505.23345},
year = {2025}
}
备注
12 pages, 3 figures, Accepted at KDD 2025