基于对比消息传递的正负边学习
机器学习
2026-05-19 v1
摘要
图上学习的常规方法涉及沿现有（即正）边传递消息以更新节点特征。然而，这些方法常常忽视边的 absence（即负）所包含的可能有价值的信息。本文对图表示中的负边价值进行了理论分析，并证明在标签率低、同质性高和边密度高的设置中，仅使用正边相对于获取负边具有显著的信息增益。鼓励这一洞见，我们引入了对比消息传递（CMP），一种通用的消息传递架构，使图神经网络层能够在正负边之间进行推理。通过对可学习权重施加软正半定制约束，我们的方法差异地对正连接节点应用保持相似性的变换，对负连接节点应用产生不相似性的变换。在不同数据 regimes下的仿真和真实数据集上，CMP在负边具有信息价值时的低标签设置下持续优于基线方法。
引用
@article{arxiv.2605.17854,
title = {Learning over Positive and Negative Edges with Contrastive Message Passing},
author = {Peter Pao-Huang and Charilaos I. Kanatsoulis and Michael Bereket and Jure Leskovec},
journal= {arXiv preprint arXiv:2605.17854},
year = {2026}
}