基于频率损坏的图自监督学习
机器学习
2026-04-20 v1 社会与信息网络
摘要
图自监督学习能够减少对标注图数据的需求，并已广泛应用于推荐系统、社交网络和其他网络应用。然而，现有方法往往未充分利用高频信号，并可能过拟合于特定的局部模式，这限制了表示质量和泛化能力。我们提出基于频率损坏的图自监督学习 (FC-GSSL)，该方法通过根据节点和边的低频贡献来损坏它们，从而构建偏向高频信息的损坏图。这些损坏图被用作自编码器的输入，而低频和通用特征则被重建为监督目标，迫使模型融合来自多个频段的信息。我们进一步设计了多种采样策略，并从采样结果的交集和并集中生成多样化的损坏图。通过对齐这些视图中的节点表示，模型可以发现有用的频率组合，减少对特定高频成分的依赖，并提高鲁棒性。在节点分类、图预测和迁移学习等 14 个数据集上的实验表明，FC-GSSL 持续提升了性能和泛化能力。
引用
@article{arxiv.2604.15699,
title = {Graph self-supervised learning based on frequency corruption},
author = {Haojie Li and Mengjiao Zhang and Guanfeng Liu and Qiang Hu and Yan Wang and Junwei Du},
journal= {arXiv preprint arXiv:2604.15699},
year = {2026}
}
备注
11 pages, 4 tables, 3 figures. Accepted at The ACM Web Conference 2026 (WWW 2026)