H4G: 解锁零样本图学习中可靠推理的超bolic Space 方法
机器学习
2025-10-15 v1 图形学
摘要
文本属性图在多个领域广泛应用，为通过图-文本对齐提供了零样本学习的丰富机会。然而，现有方法在需要精细模式识别的任务上表现不佳，尤其是在异质性图上。通过经验和理论分析，我们识别出一种\textbf{过度抽象问题}：当前方法在过大的超bolic 半径上运行，将多尺度结构信息压缩到统一的高级抽象中。这种抽象导致的信息丢失掩盖了对准确预测至关重要的局部模式。通过分析超bolic 空间中的嵌入，我们展示，最佳图学习需要\textbf{忠实保留}细粒度结构细节，这些细节更好地由位于原点附近的表示保留。为此，我们提出了\textbf{H4G}，一个系统性地减少嵌入半径的框架，利用可学习的块对角缩放矩阵和 M"obius 矩阵乘法。该方法在保持全局感受能力的同时，以最小的计算开销恢复对细粒度模式的访问。实验表明，H4G 在异质性图上实现了\textbf{12.8\%} 的提升，在同质性图上实现了\textbf{8.4\%} 的提升，确认半径减小为零样本图学习实现可靠的多尺度表示提供了突破。
引用
@article{arxiv.2510.12094,
title = {H4G: Unlocking Faithful Inference for Zero-Shot Graph Learning in Hyperbolic Space},
author = {Heng Zhang and Tianyi Zhang and Zijun Liu and Yuling Shi and Yaomin Shen and Haochen You and Haichuan Hu and Lubin Gan and Jin Huang},
journal= {arXiv preprint arXiv:2510.12094},
year = {2025}
}