HTG-GCL：基于细胞复合体的层次拓扑粒度图对比学习
机器学习
2025-12-03 v1 人工智能
摘要
图对比学习（GCL）旨在通过对比共享关键拓扑模式的同一图的不同视图来学习判别性语义不变性。然而，现有的 GCL 方法在结构增强方面往往难以识别任务相关的拓扑结构，更难适应不同下游任务所需的从粗到细的拓扑粒度变化。为此，本文引入了层次拓扑粒度图对比学习（HTG-GCL），一种新型框架，利用同一图的变换生成多尺度环形细胞复合体，体现拓扑粒度概念，从而生成多样化的拓扑视图。认识到某些粒度可能包含误导性语义，我们提出了一种多粒度解耦对比，并基于不确定性估计提出粒度特定的加权机制。广泛的各种基准实验表明，HTG-GCL 的有效性，凸显了其在通过层次拓扑信息捕获有意义图表示方面的优势。
引用
@article{arxiv.2512.02073,
title = {HTG-GCL: Leveraging Hierarchical Topological Granularity from Cellular Complexes for Graph Contrastive Learning},
author = {Qirui Ji and Bin Qin and Yifan Jin and Yunze Zhao and Chuxiong Sun and Changwen Zheng and Jianwen Cao and Jiangmeng Li},
journal= {arXiv preprint arXiv:2512.02073},
year = {2025}
}